研究人员推出了生成式AI模型BrainGFM。该模型使用约130万张MRI和CT切片训练，可用于多种脑部影像任务。团队在2026年11月3日发布于arXiv的论文中报告称，该模型在48项任务中表现有所提升，并在六家中心对4,796名卒中患者进行了测试。作者表示，与不借助模型时相比，放射科医生在模型辅助下的卒中分型平均准确率相对提高了14%。
这项研究针对的是医学影像领域的一个难题：数据可能不足，而且不同医院和任务之间的数据存在差异。研究人员认为，许多现有脑部影像模型主要重复利用训练时学到的特征，而BrainGFM的设计目标是生成适用于特定任务的数据，并适应新的影像需求。
BrainGFM如何工作？
研究团队以两种方式使用该模型。对于标注数据有限的预测任务，模型会生成针对该任务的样本；对于图像重建任务，则会通过额外训练来适应该影像任务。论文报告称，在训练数据有限时，模型提升了分割和分类表现，并能在不同成像条件下改善图像质量。
这一能力范围很重要，因为适用于一种扫描类型或任务的模型，未必能直接迁移到其他场景。BrainGFM据称接受了48项任务评估，表明研究团队测试的并非单一用途。不过，摘要没有按任务列出结果，也未说明各项提升的幅度，因此仅凭摘要无法判断哪些用途受益最大。
卒中研究有哪些发现？
研究人员使用来自两家内部中心和四家外部中心的卒中患者队列测试BrainGFM，涵盖4,796名患者和三项具有临床意义的任务。在盲法读片评估中，模型生成的FLAIR图像——一种用于脑部评估的MRI图像——整体诊断质量接近实际采集的FLAIR图像。在另一项人机协作研究中，使用BrainGFM的放射科医生卒中分型平均准确率据报相对提高了14%。
这些发现反映的是模型在相关研究中的表现，并不意味着它已准备好在医院常规使用。摘要没有给出具体准确率，也未说明如何将模型整合进临床工作流程。要判断它在不同医院、患者和影像设备条件下的表现，还需要更多细节。
为什么重要
对于脑部影像数据有限的医院和研究人员，针对特定任务生成图像或许能为训练预测工具或改善扫描图像提供另一种途径。已报告的卒中研究结果值得进一步评估，但并不能证明BrainGFM能改善患者预后，也不能证明它已适合常规临床使用。
