# آموزش BrainGFM با ۱.۳ میلیون اسکن مغزی

> پژوهشگران می‌گویند این مدل در ۴۸ وظیفه عملکرد بهتری داشته و به رادیولوژیست‌ها در دسته‌بندی سکته کمک کرده است. یافته‌ها حاصل مطالعه‌ای چندمرکزی است و به‌معنای استفاده معمول بالینی از مدل نیست.

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

پژوهشگران BrainGFM را معرفی کرده‌اند؛ مدلی هوش مصنوعی مولد که با حدود ۱.۳ میلیون برش MRI و CT آموزش دیده تا در وظایف مختلف تصویربرداری مغز کمک کند. در مقاله‌ای که ۳ نوامبر ۲۰۲۶ در arXiv منتشر شد، گروه پژوهشی از بهبود عملکرد در ۴۸ وظیفه و آزمایش‌هایی با حضور ۴٬۷۹۶ بیمار سکته در شش مرکز خبر می‌دهد. نویسندگان می‌گویند کمک این مدل، میانگین دقت رادیولوژیست‌ها در تعیین زیرنوع سکته را در مقایسه با عملکرد بدون کمک، ۱۴٪ افزایش داد.

این پژوهش به یکی از مشکلات تصویربرداری پزشکی می‌پردازد: داده‌ها ممکن است کمیاب باشند و از بیمارستانی به بیمارستان دیگر یا از وظیفه‌ای به وظیفه دیگر تفاوت کنند. پژوهشگران می‌گویند بسیاری از مدل‌های موجود برای تصویربرداری مغز عمدتاً ویژگی‌هایی را که هنگام آموزش یاد گرفته‌اند دوباره به کار می‌گیرند، درحالی‌که BrainGFM برای تولید داده‌های متناسب با هر وظیفه و سازگاری با نیازهای تازه تصویربرداری طراحی شده است.

## BrainGFM چگونه کار می‌کند؟

گروه پژوهشی از این مدل به دو شیوه استفاده کرد. برای وظایف پیش‌بینی با داده‌های برچسب‌گذاری‌شده محدود، مدل نمونه‌هایی متناسب با آن وظیفه تولید کرد. برای بازسازی تصویر، آموزش بیشتری دید تا با وظیفه تصویربرداری سازگار شود. مقاله از بهبود بخش‌بندی و دسته‌بندی در شرایط محدود بودن داده‌های آموزشی و نیز ارتقای تصویر در شرایط مختلف تصویربرداری خبر می‌دهد.

این دامنه کاربرد اهمیت دارد، چون ممکن است مدلی که برای یک نوع اسکن یا وظیفه کار می‌کند، به‌خوبی به مورد دیگری تعمیم پیدا نکند. ارزیابی گزارش‌شده BrainGFM در ۴۸ وظیفه نشان می‌دهد که گروه پژوهشی آن را در بیش از یک کاربرد آزمایش کرده است. بااین‌حال، چکیده نتایج را به تفکیک وظیفه ارائه نمی‌کند و میزان بهبود هرکدام را هم مشخص نمی‌کند؛ بنابراین از روی خلاصه نمی‌توان گفت کدام کاربرد بیشترین سود را برده است.

## مطالعه سکته چه نتایجی داشت؟

پژوهشگران BrainGFM را روی گروه‌های بیماران سکته در دو مرکز داخلی و چهار مرکز خارجی آزمایش کردند؛ در مجموع ۴٬۷۹۶ بیمار و سه وظیفه مرتبط با مراقبت بالینی بررسی شدند. در ارزیابی‌های کورِ خوانش تصاویر، تصاویر FLAIR تولیدشده ــ نوعی تصویر MRI که در بررسی مغز کاربرد دارد ــ از نظر کیفیت کلی تشخیصی به تصاویر FLAIR گرفته‌شده نزدیک بودند. در مطالعه‌ای جداگانه درباره همکاری انسان و هوش مصنوعی، رادیولوژیست‌هایی که از BrainGFM استفاده کردند، بهبود نسبی ۱۴درصدی در میانگین دقت تعیین زیرنوع سکته داشتند.

این یافته‌ها عملکرد مدل را در مطالعات گزارش‌شده نشان می‌دهند، نه اینکه سامانه برای استفاده معمول در بیمارستان آماده باشد. چکیده ارقام دقیق دقت را ارائه نمی‌کند و توضیح نمی‌دهد مدل چگونه در روندهای کاری بالینی ادغام خواهد شد. برای ارزیابی عملکرد آن در بیمارستان‌ها، میان بیماران و با سامانه‌های تصویربرداری مختلف، به جزئیات بیشتری نیاز است.

## حقایق

- BrainGFM پیش‌آموزش خود را با حدود ۱.۳ میلیون برش MRI و CT گذرانده است.
- مقاله نتایج را در ۴۸ وظیفه پایین‌دستی گزارش می‌کند.
- اعتبارسنجی چندمرکزی سکته شامل ۴٬۷۹۶ بیمار در دو مرکز داخلی و چهار مرکز خارجی بود.
- رادیولوژیست‌هایی که با BrainGFM کار کردند، بهبود نسبی گزارش‌شده ۱۴درصدی در میانگین دقت تعیین زیرنوع سکته داشتند.

## چرا مهم است

برای بیمارستان‌ها و پژوهشگرانی که با داده‌های محدود تصویربرداری مغز کار می‌کنند، تولید تصویر متناسب با هر وظیفه می‌تواند راه دیگری برای آموزش ابزارهای پیش‌بینی یا ارتقای اسکن‌ها فراهم کند. نتایج گزارش‌شده در زمینه سکته، شواهد امیدوارکننده‌ای برای ارزیابی بیشتر هستند، اما ثابت نمی‌کنند که BrainGFM پیامد بیماران را بهتر می‌کند یا برای استفاده معمول بالینی آماده است.

## منابع و ارجاع‌ها

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

آخرین به‌روزرسانی: 2026-11-03