← 返回首頁

醫院影像庫訓練出的AI,讓神經影像診斷走近真實臨床

NeuroVFM把模型訓練的重心從公開網路資料拉回醫療現場;它的成績顯示,醫院日常累積的MRI與CT,可能比更大的網路模型更接近放射診斷的核心問題。

By SURL BioNews

當AI進入醫學影像,真正困難的往往不是看見一張清楚的示範圖,而是在繁忙醫院裡讀懂變化萬千、品質不一、病灶有時極細微的檢查。最新發表於《Nature Medicine》的NeuroVFM研究,正是把這個問題推到核心:若模型直接從醫療系統多年累積的MRI與CT學習,是否能比倚賴公開網路影像或放射報告文字監督的模型,更懂神經影像?

研究團隊提出的NeuroVFM,是一個通用神經影像視覺基礎模型。根據論文與官方模型資料,它以密西根醫學中心逾20年常規照護產生的資料訓練,規模約為566,915項檢查、共5.24百萬個三維MRI與CT影像體積,涵蓋腦部、頭頸、臉部與眼眶等檢查。這些資料並非為比賽或教科書精心整理,而是來自臨床日常,因而更接近放射科實際面對的雜訊、流程與疾病長尾。

技術上,NeuroVFM使用名為Vol-JEPA的體積式聯合嵌入預測架構,讓模型在三維影像中學習神經解剖與病灶的表示,而不是只從文字報告配對影像。研究指出,模型可把CT與MRI嵌入共同的神經解剖潛在空間,並在後續診斷任務中接上不同任務頭;官方程式庫也列出3D Vision Transformer編碼器、MRI與CT診斷頭、生成影像所見的語言模型工作流等研究元件。

在驗證上,研究使用時間上保留的臨床檢查資料與多項公開基準測試,涵蓋CT與MRI的診斷分類、報告生成、急迫程度分流與專家偏好。論文報告,NeuroVFM在156項診斷任務的整體AUROC約達92分以上,並優於數種比較基線,包括同樣使用醫療系統資料但以報告監督或重建目標訓練的模型,以及以網路規模資料或生醫視覺語言資料訓練的模型。這些比較不代表模型已能獨立診斷病人,但說明訓練資料的臨床來源與三維影像學習目標,可能同時影響模型能學到什麼。

報告生成是更貼近臨床工作流、也更容易出錯的一環。研究團隊讓NeuroVFM作為影像感知模組,搭配開源語言模型產生放射影像所見,再用語言模型與臨床專家評估急迫程度、正確性與偏好。論文稱,NeuroVFM生成的報告較少出現捏造發現與重大錯誤,專家評分也偏好其輸出;密西根大學MLiNS實驗室的介紹同樣強調其視覺定位、分流與減少幻覺的表現。

這項研究的生物醫學意義,在於它把「醫療AI需要臨床資料」這句常見說法具體化。神經影像常含可辨識的臉部結構,公開資料量有限,網路模型即使龐大,也未必見過足夠多真實醫院中的MRI與CT變異。NeuroVFM顯示,若能在合規與隱私保護下利用健康系統內部資料,醫學基礎模型可能不必完全複製一般AI依賴公開網路資料擴張的路徑。

限制也同樣清楚。官方Hugging Face模型卡標明,NeuroVFM編碼器定位為研究用途的凍結特徵擷取器,並非診斷裝置,未獲FDA核准,輸出需由臨床人員確認。其主要訓練資料來自單一大型學術醫療系統,雖然研究包含外部與公開基準測試,但不同國家、醫院設備、族群結構與臨床流程下的穩定性,仍需前瞻性、多中心與監管層面的驗證。

### 背景脈絡

近期生物醫學AI的討論,常停在藥物設計或大型語言模型能否縮短研發流程;NeuroVFM則把焦點拉回醫療現場最密集、也最需要責任邊界的影像判讀。它不是把放射科醫師排除在流程外的宣告,而是一個更務實的問題:當模型從醫院本身的影像經驗中學習,它能否成為更可靠的第二讀者、分流工具或報告草稿系統,而這些用途又該如何被審查、部署與追蹤。

References

  1. Nature Medicine
  2. arXiv
  3. GitHub / MLNeurosurg
  4. Hugging Face / Machine Learning in Neurosurgery Lab
  5. University of Michigan MLiNS Lab