# BrainGFM getraind met 1,3 miljoen hersenscans

> Volgens onderzoekers verbeterde het model de prestaties bij 48 taken en hielp het radiologen bij het classificeren van beroertes. De resultaten komen uit een multicenteronderzoek en bewijzen niet dat het model al routinematig in de kliniek wordt gebruikt.

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

Onderzoekers hebben BrainGFM geïntroduceerd, een generatief AI-model dat is getraind met ongeveer 1,3 miljoen MRI- en CT-beelden om uiteenlopende taken voor hersenbeeldvorming te ondersteunen. In een artikel dat op 3 november 2026 op arXiv is geplaatst, meldt het team verbeteringen bij 48 taken en tests met 4.796 patiënten met een beroerte in zes centra. De auteurs zeggen dat ondersteuning door het model de gemiddelde nauwkeurigheid van radiologen bij het classificeren van beroertesubtypen met 14% verbeterde ten opzichte van hun prestaties zonder die ondersteuning.

Het onderzoek richt zich op een probleem bij medische beeldvorming: gegevens zijn soms schaars en verschillen per ziekenhuis en taak. Volgens de onderzoekers bouwen veel bestaande modellen voor hersenbeeldvorming vooral voort op kenmerken die ze tijdens de training hebben geleerd. BrainGFM is daarentegen ontworpen om taakspecifieke gegevens te genereren en zich aan nieuwe beeldvormingsbehoeften aan te passen.

## Hoe werkt BrainGFM?

Het team zette het model op twee manieren in. Voor voorspellingstaken waarvoor weinig gelabelde gegevens beschikbaar waren, genereerde het voorbeelden die op de taak waren toegesneden. Voor beeldreconstructie werd het model verder getraind om zich aan de beeldvormingstaak aan te passen. Het artikel meldt betere resultaten bij segmentatie en classificatie wanneer er weinig trainingsgegevens waren, en verbeterde beelden onder uiteenlopende beeldvormingsomstandigheden.

Dat brede toepassingsgebied is van belang, omdat een model dat goed werkt voor één type scan of taak niet vanzelf ook geschikt is voor een andere. De gerapporteerde evaluatie van BrainGFM op 48 taken wijst erop dat het team meer dan één toepassing heeft getest. In de samenvatting worden de resultaten echter niet per taak uitgesplitst en staat ook niet hoe groot elke verbetering was. Daardoor is niet op te maken welke toepassingen het meeste baat hadden bij het model.

## Wat bleek uit het beroerteonderzoek?

De onderzoekers testten BrainGFM bij groepen patiënten met een beroerte uit twee interne en vier externe centra. In totaal ging het om 4.796 patiënten en drie klinisch relevante taken. Bij geblindeerde beoordelingen door radiologen kwamen de gegenereerde FLAIR-beelden — een type MRI-beeld dat wordt gebruikt om de hersenen te beoordelen — qua algehele diagnostische kwaliteit dicht in de buurt van daadwerkelijk gemaakte FLAIR-beelden. In een afzonderlijk onderzoek naar samenwerking tussen mens en AI behaalden radiologen die BrainGFM gebruikten naar verluidt een 14% hogere gemiddelde nauwkeurigheid bij het classificeren van beroertesubtypen.

Deze bevindingen laten zien hoe het model presteerde in de beschreven onderzoeken, maar bewijzen niet dat het klaar is voor routinematig gebruik in ziekenhuizen. De samenvatting vermeldt geen exacte nauwkeurigheidscijfers en legt niet uit hoe het model in klinische werkprocessen zou worden geïntegreerd. Er is meer informatie nodig om te beoordelen hoe het presteert in specifieke ziekenhuizen, bij verschillende patiënten en met uiteenlopende beeldvormingsopstellingen.

## De feiten

- BrainGFM is vooraf getraind met ongeveer 1,3 miljoen MRI- en CT-beelden.
- Het artikel rapporteert resultaten voor 48 vervolgtoepassingen.
- Aan de multicentervalidatie bij patiënten met een beroerte deden 4.796 patiënten mee, uit twee interne en vier externe centra.
- Radiologen die met BrainGFM werkten, behaalden naar verluidt een 14% hogere gemiddelde nauwkeurigheid bij het classificeren van beroertesubtypen.

## Waarom het ertoe doet

Voor ziekenhuizen en onderzoekers die met beperkte gegevens over hersenbeeldvorming werken, kan het genereren van taakspecifieke beelden een extra manier bieden om voorspellingsmodellen te trainen of scans te verbeteren. De gerapporteerde resultaten bij beroertes zijn veelbelovend en verdienen verder onderzoek, maar tonen niet aan dat BrainGFM de patiëntuitkomsten verbetert of klaar is voor routinematig klinisch gebruik.

## Bronnen en referenties

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

Laatst bijgewerkt: 2026-11-03