BrainGFM、脳画像の解析に向け130万枚の画像で学習

研究チームは、さまざまな脳画像解析を支援する生成AIモデル「BrainGFM」を発表した。このモデルは約130万枚のMRIおよびCT画像スライスで学習したものだ。2026年11月3日にarXivで公開された論文で、チームは48のタスクで性能が向上し、6施設の脳卒中患者4,796人を対象にした試験でも成果が得られたと報告している。著者らによると、モデルの支援を受けた放射線科医は、支援なしの場合と比べ、脳卒中の病型分類の平均正答率が相対的に14%向上した。

この研究が取り組むのは、医療画像分野におけるデータ不足と、病院やタスクによってデータにばらつきがあるという課題だ。研究チームは、既存の脳画像モデルの多くが学習時に得た特徴を主に再利用するのに対し、BrainGFMはタスクに合わせたデータを生成し、新たな画像解析のニーズに適応するよう設計されていると説明している。

BrainGFMの仕組み

研究チームは、このモデルを2通りの方法で使った。ラベル付きデータが限られる予測タスクでは、タスクに合わせた事例を生成した。画像再構成では、画像解析のタスクに適応させるため、追加学習を行った。論文によると、学習データが限られる状況でセグメンテーションと分類の性能が向上したほか、さまざまな撮像条件で画像が鮮明になった。

この幅広さが重要なのは、ある種類の画像やタスクで機能するモデルが、別のものにそのまま適用できるとは限らないためだ。BrainGFMを48のタスクで評価したという報告からは、単一の用途にとどまらない検証を行ったことがうかがえる。ただし、要旨ではタスクごとの結果や改善幅の大きさは示されておらず、どの用途で最も効果があったのかは概要から判断できない。

脳卒中研究で分かったこと

研究チームは、内部2施設と外部4施設の脳卒中患者4,796人を対象に、臨床上重要な3つのタスクでBrainGFMを検証した。盲検化された読影評価では、脳の評価に用いられるMRI画像の一種であるFLAIR画像について、モデルが生成した画像は、実際に撮影した画像に診断品質の面で近い水準だった。別の人間とAIの協働研究では、BrainGFMを使った放射線科医の脳卒中病型分類の平均正答率が、相対的に14%向上したと報告されている。

これらの結果が示すのは、報告された研究での性能であり、システムが病院の日常診療で使える段階にあるということではない。要旨には正確な正答率や、モデルを臨床ワークフローにどう組み込むかは記されていない。特定の病院や患者、撮像環境でどのように機能するかを評価するには、さらなる詳細が必要だ。