NeuroVFMと呼ばれる新しい神経画像ファウンデーションモデルは、未整理の病院データに対する自己教師あり学習,,放射線科医のレポート、疾患ラベル、手作業によるキュレーションなし,,が、156の診断タスク（前向きトリアージを含む）において言語教師ありモデルを上回る性能を発揮できることを実証した。この研究はNature Medicineに掲載され、コードとモデル weights はGitHubで公開されている。
NeuroVFMは、MetaのJEPA（Joint-Embedding Predictive Architecture）を2D画像から3D医用ボリュームに拡張した自己教師ありアルゴリズムVol-JEPAに基づいている。個々のボクセル,,ピクセルの3D相当,,を再構成する代わりに、Vol-JEPAは欠落した潜在表現を予測することで学習する。モデルは各ボリュームのマスクされた部分で訓練され、可視コンテキストパッチを使用してより大きなマスク対象領域の内容を予測する。このアプローチは、ラベル、放射線テキスト、ボクセルデコーダーを一切必要としない。
UM-NeuroImagesと呼ばれる訓練データセットは、ミシガン医学で20年以上にわたって収集された566,915件の研究から得られた524万件の臨床MRIおよびCTボリュームで構成されている。データは未整理であり,,複数のスキャナメーカーやプロトコルからの品質が様々な日常的な臨床スキャンを含む,,洗練された研究コーパスではなく、実際の病院データを代表するものとなっている。
結果は性能と効率の両方で注目に値する。156の診断タスク（MRI 74件、CT 82件）におけるマクロ平均AUROCの主要評価項目で、NeuroVFMはMRIで92.49、CTで92.68を達成した。言語教師ありモデル（HLIP、PRIMA）、ボクセル再構成（NeuroMAE）、2D自己教師ありアプローチ（DINOv3、BiomedCLIP）を1〜4ポイントの差で上回った。訓練には1,000 GPU時間未満しか必要とせず、同等の3D自己教師ありベースラインよりも7倍以上高速であった。
NeuroVFMの凍結された視覚表現は、微調整なしで複数の下流タスクに再利用できる。診断ヘッドは埋め込みから156の状態を予測する。凍結エンコーダーとQwen3-14B言語モデルを組み合わせたNeuroVFM-LLaVAと呼ばれる視覚言語バリアントは、構造化された放射線科スタイルの所見を生成する。
1週間にわたる医療システムでの前向き盲検試験（1,155件の研究）では、NeuroVFM-LLaVAが臨床トリアージについて評価された。バランス型トリアージ精度92.6%を達成,,GPT-5の71.2%を大幅に上回る,,155件の重大な所見のうち21件を見逃し、見逃し率13.5%はGPT-5の50.3%と比較された。著者らはこのシステムを自律的スクリーニングではなく意思決定支援と位置付けている。
このモデルはまた、クロスモーダルな一般化を示している：CTボリュームのみで訓練されMRIで評価された診断プローブは、5ポイント未満のAUROC低下しか示さず、モデルが神経解剖学と病理学のモダリティ不変表現を学習することを示唆している。
雅子 訳
出典：Meet NeuroVFM: Neuroimaging Foundation Model with Vol-JEPA (MarkTechPost、2026年7月12日)；NeuroVFM on GitHub