健康系统学习实现通用神经影像模型
计算机视觉与模式识别
2025-11-25 v1 人工智能
机器学习
摘要
前沿人工智能 (AI) 模型，如 OpenAI 的 GPT-5 和 Meta 的 DINOv3，正通过在互联网规模公共数据上进行训练而迅速进步，然而此类系统缺乏对私人临床数据的访问。尤其是神经影像学，在公共领域因 MRI 和 CT 扫描中包含可识别面部特征而被低估，这从根本上限制了其在临床医学中的模型性能。本文表明，前沿模型在神经影像任务上表现不佳，而直接从在健康系统期间生成的未经整理数据中进行学习——我们称之为健康系统学习——可获得高性能的通用神经影像模型。我们引入 NeuroVFM，一个在 524 万例临床 MRI 和 CT 体积上进行训练的视觉基础模型，采用可扩展的体积联合嵌入预测体系结构。NeuroVFM 学习了脑解剖和病理的全面表征，实现了多个临床任务（包括放射学诊断和报告生成）的领先性能。该模型表现出涌现的神经解剖理解和诊断发现的可解释视觉 grounding。当与开源语言模型结合通过轻量级视觉指令调优时，NeuroVFM 生成的放射学报告在准确性、临床分流和专家偏好方面均超越前沿模型。通过临床导向的视觉理解，NeuroVFM 减少了幻觉发现和严重错误，提供更安全的临床决策支持。这些结果确立了健康系统学习作为构建通用医学 AI 的范式，并提供了一个可扩展的临床基础模型框架。
引用
@article{arxiv.2511.18640,
title = {Health system learning achieves generalist neuroimaging models},
author = {Akhil Kondepudi and Akshay Rao and Chenhui Zhao and Yiwei Lyu and Samir Harake and Soumyanil Banerjee and Rushikesh Joshi and Anna-Katharina Meissner and Renly Hou and Cheng Jiang and Asadur Chowdury and Ashok Srinivasan and Brian Athey and Vikas Gulani and Aditya Pandey and Honglak Lee and Todd Hollon},
journal= {arXiv preprint arXiv:2511.18640},
year = {2025}
}
备注
53 pages, 4 main figures, 10 extended data figures