# BrainGFM обучили на 1,3 млн снимков мозга для анализа изображений

> По данным исследователей, модель повысила точность выполнения 48 задач и помогла радиологам классифицировать инсульты. Результаты получены в многоцентровом исследовании и не свидетельствуют о том, что модель уже применяют в повседневной клинической практике.

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

Исследователи представили BrainGFM — генеративную ИИ-модель, обученную примерно на 1,3 млн срезов МРТ и КТ для решения различных задач анализа изображений мозга. В статье, опубликованной на arXiv 3 ноября 2026 года, команда сообщает об улучшении результатов в 48 задачах и испытаниях с участием 4 796 пациентов с инсультом в шести центрах. По словам авторов, помощь модели повысила среднюю точность радиологов при определении подтипа инсульта на 14% по сравнению с результатами без ее использования.

Работа посвящена проблеме медицинской визуализации: данных может быть мало, а сами они различаются в зависимости от больницы и задачи. Исследователи отмечают, что многие существующие модели для анализа изображений мозга в основном повторно используют признаки, усвоенные при обучении. BrainGFM же разработана для генерации данных под конкретные задачи и адаптации к новым потребностям визуализации.

## Как работает BrainGFM?

Команда использовала модель двумя способами. Для задач прогнозирования, где размеченных данных было мало, она генерировала примеры, адаптированные к конкретной задаче. Для реконструкции изображений модель дополнительно обучали, чтобы адаптировать ее к соответствующей задаче визуализации. В статье сообщается об улучшении сегментации и классификации при ограниченном объеме обучающих данных, а также об улучшении изображений при разных условиях визуализации.

Такой широкий спектр задач важен, поскольку модель, работающая с одним типом снимков или одной задачей, не обязательно хорошо справится с другими. Заявленная оценка BrainGFM на 48 задачах показывает, что команда проверила ее не на одном-единственном применении. Однако в аннотации результаты не разбиты по задачам и не указано, насколько именно улучшились показатели, поэтому по краткому описанию нельзя определить, где модель оказалась наиболее полезной.

## Что показало исследование инсультов?

Исследователи проверили BrainGFM на группах пациентов с инсультом из двух внутренних и четырех внешних центров. В исследование вошли 4 796 пациентов, а модель оценивали по трем клинически значимым задачам. В слепой оценке специалистов сгенерированные изображения FLAIR — тип МРТ-снимков, применяемый при обследовании мозга, — по общему диагностическому качеству приблизились к полученным при сканировании изображениям FLAIR. В отдельном исследовании взаимодействия человека и ИИ радиологи, использовавшие BrainGFM, повысили среднюю точность определения подтипа инсульта на заявленные 14% в относительном выражении.

Эти результаты демонстрируют эффективность модели в описанных исследованиях, но не означают, что система готова к повседневному применению в больницах. В аннотации не приведены точные показатели точности и не объясняется, как модель можно встроить в клинические процессы. Чтобы оценить ее работу в конкретных больницах, с разными пациентами и системами визуализации, нужны дополнительные сведения.

## Факты

- Для предварительного обучения BrainGFM использовали около 1,3 млн срезов МРТ и КТ.
- В статье представлены результаты по 48 последующим задачам.
- В многоцентровую проверку модели при инсульте вошли 4 796 пациентов из двух внутренних и четырех внешних центров.
- При работе с BrainGFM радиологи, согласно сообщению, повысили среднюю точность определения подтипа инсульта на 14% в относительном выражении.

## Почему это важно

Для больниц и исследователей, которым не хватает данных для анализа изображений мозга, генерация изображений под конкретные задачи может стать дополнительным способом обучения моделей прогнозирования и улучшения снимков. Результаты по инсульту дают основания для дальнейшей оценки BrainGFM, но не доказывают, что модель улучшает исходы лечения или готова к повседневному клиническому применению.

## Источники и ссылки

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

Обновлено: 2026-11-03