Pillar-0：放射学基础模型的新范例
摘要
放射学在现代医学中发挥着关键作用，但影像容量的增长远远超过了人力资源的增长。基础模型为解决这些任务提供了可能，但现有的医学模型仍受限：它们将体积CT和MRI处理为低保真的2D切片，丢弃关键灰度对比度信息，缺乏反映真实临床实践的评估框架。我们引入Pillar-0，这是一个在42,990例腹部-骨盆CT、86,411例胸部CT、14,348例头颈CT和11,543例乳腹MRI上预训练的放射学基础模型，同时推出RATE，这是一个可扩展的框架，通过LLM从中提取366种放射学表型的结构化标签，准确率接近完美。在内部测试集中，分别针对42,990例腹部-骨盆CT、10,646例胸部CT、4,906例头颈CT和1,585例乳腹MRI进行测试，Pillar-0建立了新的性能新高，实现了86.4、88.0、90.1和82.9的平均AUROC，超过MedGemma（Google）、MedImageInsight（Microsoft）、Lingshu（Alibaba）和Merlin（Stanford）7.8-15.8个AUROC点，排名前319个366个任务中的87.2%。Pillar-0在Stanford腹部CT数据集的外部验证中也超越了所有基线方法，其中Merlin的AUROC为82.2 vs 80.6。Pillar-0扩展到其预训练之外的任务，例如长期量化肺癌风险预测，其中在NLST数据集上比最先进的Sybil提高了3.0个C-index分数，在MGH和CGMH上分别提高了5.9和1.9。在脑出血检测中，Pillar-0仅使用其它最样本高效基线数据量的1/20时即可获得>95的AUROC。Pillar-0和RATE共同提供了一个开放、临床严谨的放射学基础，使构建高性能放射学系统成为可能，使之前因计算、数据和评估限制而不可行的应用得以实现。
引用
@article{arxiv.2511.17803,
title = {Pillar-0: A New Frontier for Radiology Foundation Models},
author = {Kumar Krishna Agrawal and Longchao Liu and Long Lian and Michael Nercessian and Natalia Harguindeguy and Yufu Wu and Peter Mikhael and Gigin Lin and Lecia V. Sequist and Florian Fintelmann and Trevor Darrell and Yutong Bai and Maggie Chung and Adam Yala},
journal= {arXiv preprint arXiv:2511.17803},
year = {2025}
}