Un nuevo modelo fundacional de neuroimagen llamado NeuroVFM ha demostrado que el aprendizaje autosupervisado en datos hospitalarios no seleccionados, sin informes de radiólogos, etiquetas de enfermedades ni curación manual, puede superar a los modelos supervisados por lenguaje en 156 tareas diagnósticas, incluido el triaje prospectivo. El trabajo se publica en Nature Medicine, con el código y los pesos del modelo disponibles en GitHub.
NeuroVFM está construido sobre Vol-JEPA, un algoritmo autosupervisado que extiende la arquitectura JEPA (Joint-Embedding Predictive Architecture) de Meta desde imágenes 2D hasta volúmenes médicos 3D. En lugar de reconstruir vóxeles individuales, el equivalente 3D de los píxeles, Vol-JEPA aprende prediciendo representaciones latentes faltantes. El modelo se entrena en porciones enmascaradas de cada volumen, utilizando parches de contexto visibles para predecir el contenido de regiones objetivo enmascaradas más grandes. Este enfoque no requiere etiquetas, texto radiológico ni decodificador de vóxeles.
El conjunto de datos de entrenamiento, llamado UM-NeuroImages, comprende 5.24 millones de volúmenes clínicos de MRI y TC de 566,915 estudios recopilados durante más de 20 años en Michigan Medicine. Los datos no están seleccionados, incluyen exploraciones clínicas rutinarias de calidad variable, de múltiples fabricantes y protocolos de escáner, lo que los hace representativos de datos hospitalarios reales en lugar de un corpus de investigación depurado.
Los resultados son notables tanto en rendimiento como en eficiencia. En el criterio principal de valoración de AUROC macro-promediado en 156 tareas diagnósticas, 74 MRI y 82 TC, NeuroVFM alcanzó 92.49 en MRI y 92.68 en TC. Superó a los modelos entrenados con supervisión lingüística (HLIP, PRIMA), reconstrucción de vóxeles (NeuroMAE) y enfoques autosupervisados 2D (DINOv3, BiomedCLIP) por márgenes de 1 a 4 puntos. El entrenamiento requirió menos de 1,000 horas GPU, más de siete veces más rápido que una línea base autosupervisada 3D comparable.
Las representaciones visuales congeladas de NeuroVFM pueden reutilizarse para múltiples tareas descendentes sin ajuste fino. Un cabezal diagnóstico predice 156 condiciones a partir de los embeddings. Una variante visión-lenguaje llamada NeuroVFM-LLaVA, que combina el codificador congelado con un modelo de lenguaje Qwen3-14B, genera hallazgos estructurados de estilo radiológico.
Un estudio silencioso prospectivo durante una semana en un sistema de salud, que involucró 1,155 estudios, evaluó NeuroVFM-LLaVA para triaje clínico. Alcanzó un 92.6% de precisión de triaje balanceada, sustancialmente más alta que GPT-5 con 71.2%, y omitió 21 de 155 hallazgos críticos, una tasa de omisión del 13.5% en comparación con el 50.3% de GPT-5. Los autores presentan el sistema como apoyo a la decisión en lugar de cribado autónomo.
El modelo también demuestra generalización cross-modal: una sonda diagnóstica entrenada solo en volúmenes de TC y evaluada en MRI sufrió una caída de menos de 5 puntos en AUROC, lo que sugiere que el modelo aprende representaciones invariantes de modalidad de la neuroanatomía y la patología.
Traducido por Alessandra
Fuentes: Meet NeuroVFM: Neuroimaging Foundation Model with Vol-JEPA (MarkTechPost, 12 jul. 2026); NeuroVFM en GitHub