# BrainGFM tränas på 1,3 miljoner hjärnbilder

> Forskarna uppger att modellen förbättrade resultaten i 48 uppgifter och hjälpte radiologer att klassificera stroke. Resultaten bygger på en multicenterstudie och visar inte att modellen används rutinmässigt i vården.

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

Forskarna har presenterat BrainGFM, en generativ AI-modell som tränats på omkring 1,3 miljoner MR- och CT-bildsnitt för olika uppgifter inom hjärnavbildning. I en artikel som publicerades på arXiv den 3 november 2026 rapporterar forskargruppen förbättringar i 48 uppgifter och tester med 4 796 strokepatienter vid sex vårdcentrum. Enligt författarna ökade radiologernas genomsnittliga träffsäkerhet vid subtypning av stroke med 14 procent när de fick hjälp av modellen, jämfört med när de arbetade utan den.

Arbetet tar sig an ett problem inom medicinsk bilddiagnostik: data kan vara svåra att få tag på och skilja sig åt mellan sjukhus och uppgifter. Forskarna menar att många befintliga modeller för hjärnavbildning främst återanvänder egenskaper de lärt sig under träningen, medan BrainGFM är utformad för att skapa uppgiftsspecifika data och anpassas till nya behov inom bilddiagnostik.

## Så fungerar BrainGFM

Forskargruppen använde modellen på två sätt. För prediktionsuppgifter med begränsad mängd märkt data genererade den exempel anpassade till uppgiften. För bildrekonstruktion tränades modellen vidare för att anpassas till bildbehandlingsuppgiften. Artikeln rapporterar förbättringar inom segmentering och klassificering när träningsdata var begränsade, samt bildförbättring under olika bildförhållanden.

Den bredden är viktig eftersom en modell som fungerar för en typ av bild eller uppgift inte nödvändigtvis fungerar lika bra för en annan. Den rapporterade utvärderingen av BrainGFM i 48 uppgifter tyder på att forskarna testade mer än en enskild tillämpning. Men sammanfattningen delar inte upp resultaten efter uppgift och anger inte hur stora förbättringarna var, så det går inte att utläsa vilka användningsområden som hade störst nytta av modellen.

## Vad visade strokestudien?

Forskarna testade BrainGFM på strokepatienter från två interna och fyra externa vårdcentrum. Studien omfattade 4 796 patienter och tre kliniskt relevanta uppgifter. I blindade bedömningar av radiologer låg de genererade FLAIR-bilderna – en typ av MR-bild som används vid undersökning av hjärnan – nära de tagna FLAIR-bilderna när det gällde den övergripande diagnostiska kvaliteten. I en separat studie av samarbete mellan människa och AI uppnådde radiologer som använde BrainGFM en rapporterad relativ förbättring på 14 procent i den genomsnittliga träffsäkerheten vid subtypning av stroke.

Resultaten visar hur modellen presterade i de redovisade studierna, inte att den är redo att användas rutinmässigt på sjukhus. Sammanfattningen anger inte de exakta träffsäkerhetssiffrorna eller hur modellen skulle integreras i det kliniska arbetsflödet. Det behövs mer information för att bedöma hur den fungerar vid olika sjukhus, för olika patienter och med olika bildutrustning.

## Fakta

- BrainGFM förtränades på omkring 1,3 miljoner MR- och CT-bildsnitt.
- Artikeln rapporterar resultat från 48 nedströmsuppgifter.
- Den multicenterbaserade valideringen av stroke omfattade 4 796 patienter vid två interna och fyra externa vårdcentrum.
- Radiologer som arbetade med BrainGFM uppvisade en rapporterad relativ förbättring på 14 procent i den genomsnittliga träffsäkerheten vid subtypning av stroke.

## Varför det spelar roll

För sjukhus och forskare som har begränsat med hjärnbilddata kan uppgiftsspecifik bildgenerering vara ytterligare ett sätt att träna prediktionsverktyg eller förbättra bildkvaliteten. De rapporterade resultaten för stroke är lovande och motiverar vidare utvärdering, men visar inte att BrainGFM förbättrar patienternas hälsa eller är redo för rutinmässig användning i vården.

## Källor och referenser

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

Senast uppdaterad: 2026-11-03