# BrainGFM trainiert mit 1,3 Millionen Gehirnscans

> Laut Forschern verbesserte das Modell die Ergebnisse bei 48 Aufgaben und half Radiologen, Schlaganfälle zu klassifizieren. Die Ergebnisse stammen aus einer multizentrischen Studie und belegen keinen routinemäßigen klinischen Einsatz.

Oossa · 2026-11-03 · https://oossa.com/de/braingfm-trains-on-1-3-million-brain-scans-for-imaging-tasks

Forscher haben BrainGFM vorgestellt, ein generatives KI-Modell, das mit rund 1,3 Millionen MRT- und CT-Bildschnitten trainiert wurde und verschiedene Aufgaben der Hirnbildgebung unterstützen soll. In einer am 3. November 2026 auf arXiv veröffentlichten Arbeit berichtet das Team von Verbesserungen bei 48 Aufgaben sowie von Tests mit 4.796 Schlaganfallpatienten an sechs Zentren. Den Autoren zufolge steigerte die Unterstützung durch das Modell die durchschnittliche Genauigkeit von Radiologen bei der Einteilung von Schlaganfalltypen um 14 % gegenüber ihrer Leistung ohne Unterstützung.

Die Arbeit zielt auf ein Problem in der medizinischen Bildgebung: Daten sind mitunter knapp und unterscheiden sich je nach Krankenhaus und Aufgabe. Die Forscher argumentieren, dass viele bestehende Modelle für die Hirnbildgebung vor allem während des Trainings gelernte Merkmale wiederverwenden. BrainGFM hingegen soll aufgabenspezifische Daten erzeugen und sich an neue Anforderungen der Bildgebung anpassen.

## Wie funktioniert BrainGFM?

Das Team setzte das Modell auf zwei Arten ein. Für Vorhersageaufgaben mit wenigen gelabelten Daten erzeugte es auf die jeweilige Aufgabe zugeschnittene Beispiele. Für die Bildrekonstruktion wurde es zusätzlich trainiert, um es an die Bildgebungsaufgabe anzupassen. Die Arbeit berichtet von Verbesserungen bei Segmentierung und Klassifizierung, wenn nur wenige Trainingsdaten verfügbar waren, sowie von einer Bildverbesserung unter unterschiedlichen Bedingungen der Bildgebung.

Diese Bandbreite ist wichtig, denn ein Modell, das bei einem Scantyp oder einer Aufgabe funktioniert, lässt sich nicht zwangsläufig ohne Weiteres auf andere übertragen. Die berichtete Auswertung von BrainGFM bei 48 Aufgaben deutet darauf hin, dass das Team mehr als nur eine Anwendung getestet hat. Das Abstract schlüsselt die Ergebnisse jedoch nicht nach Aufgaben auf und nennt auch nicht das Ausmaß der einzelnen Verbesserungen. Daher lässt sich anhand der Zusammenfassung nicht erkennen, welche Anwendungen am meisten profitiert haben.

## Was ergab die Schlaganfallstudie?

Die Forscher testeten BrainGFM anhand von Schlaganfall-Kohorten aus zwei internen und vier externen Zentren. Die Kohorten umfassten 4.796 Patienten und drei klinisch relevante Aufgaben. Bei verblindeten Beurteilungen durch Fachleute kamen die erzeugten FLAIR-Bilder – ein in der Hirndiagnostik verwendeter MRT-Bildtyp – hinsichtlich der diagnostischen Gesamtqualität an aufgenommene FLAIR-Bilder heran. In einer separaten Studie zur Zusammenarbeit von Mensch und KI erzielten Radiologen mit BrainGFM laut Bericht eine um 14 % höhere mittlere Genauigkeit bei der Einteilung von Schlaganfalltypen.

Die Ergebnisse zeigen die Leistung in den beschriebenen Studien, belegen aber nicht, dass das System für den routinemäßigen Einsatz im Krankenhaus bereit ist. Das Abstract nennt weder die genauen Genauigkeitswerte noch erläutert es, wie das Modell in klinische Arbeitsabläufe eingebunden werden könnte. Für eine Einschätzung seiner Leistung in bestimmten Krankenhäusern, bei bestimmten Patienten und mit verschiedenen Bildgebungssystemen wären weitere Einzelheiten nötig.

## Die Fakten

- BrainGFM wurde mit rund 1,3 Millionen MRT- und CT-Bildschnitten vortrainiert.
- Die Arbeit berichtet Ergebnisse zu 48 nachgelagerten Aufgaben.
- Die multizentrische Schlaganfall-Validierung umfasste 4.796 Patienten aus zwei internen und vier externen Zentren.
- Radiologen, die mit BrainGFM arbeiteten, erzielten laut Bericht eine um 14 % höhere mittlere Genauigkeit bei der Einteilung von Schlaganfalltypen.

## Warum es wichtig ist

Für Krankenhäuser und Forscher, denen nur begrenzte Daten zur Hirnbildgebung zur Verfügung stehen, könnte die aufgabenspezifische Bilderzeugung eine weitere Möglichkeit bieten, Vorhersagewerkzeuge zu trainieren oder Scans zu verbessern. Die berichteten Ergebnisse bei Schlaganfällen sind vielversprechend und sprechen für weitere Untersuchungen. Sie belegen jedoch weder bessere Behandlungsergebnisse für Patienten noch die Eignung von BrainGFM für den routinemäßigen klinischen Einsatz.

## Quellen und Referenzen

1. [A generative foundation model for computational brain imaging](https://arxiv.org/abs/2611.00265) – arXiv, 2026-11-03

Zuletzt aktualisiert: 2026-11-03