问小创
告诉我你的需求，我帮你从站内挑最合适的 AI 工具。
美国密歇根大学最新发布神经影像基础大模型NeuroVFM，该模型采用Vol-JEPA自监督学习框架训练，学习样本覆盖524万份未经筛选的临床MRI、CT三维影像数据，在神经相关疾病的影像诊断场景下准确率与效率均显著优于现有同类AI模型，有望填补临床神经影像分析的智能化缺口，为神经内科、神经外科的临床诊断提供辅助支撑。
从密歇根大学附属医学院披露的小范围测试数据来看，NeuroVFM目前对急性脑卒中的影像识别准确率已经达到94%，比传统AI辅助诊断系统高出近18个百分点，甚至超过了普通资质放射科医生的平均诊断水平。
近年来全球神经系统疾病发病率持续攀升，仅脑卒中的年新增发病人数就超过1300万，对应的神经影像读片需求年增速保持在12%以上。但长期以来，神经影像读片对医生的专业经验要求极高，一名合格的神经放射科医生培养周期至少10年，人力供给远远跟不上需求增长。
此前行业内落地的AI辅助诊断模型大多依赖人工标注的小样本数据训练，不仅标注成本高达每张影像数十元，还普遍存在泛化性差的问题，遇到非标准化拍摄、罕见病灶的影像时准确率会出现断崖式下跌，始终无法真正走入临床常规流程。
NeuroVFM的核心优势在于首次将Vol-JEPA自监督学习架构落地到神经影像场景，Vol-JEPA是Meta提出的JEPA自监督学习架构的三维优化版本，专门适配容积类影像的特征学习，不需要对训练数据做任何人工标注，即可自主学习524万份临床影像中的病灶特征、正常生理结构差异等信息。相比传统监督训练模型，NeuroVFM的训练成本降低了70%，训练周期缩短了40%。
目前该模型已经适配了不同品牌、不同参数的MRI、CT设备输出的三维影像，可自动识别包括脑肿瘤、脑卒中、阿尔茨海默病早期病变在内的27种神经系统异常，单份影像的分析耗时仅为18秒，还能自动生成病灶标注、疑似病症参考等结构化报告，大幅降低放射科医生的工作负担。
目前NeuroVFM已经在美国3家三甲医院开展临床试点，后续团队还将补充不同族群、不同年龄段的神经影像数据，进一步提升模型对不同人群的适配性。按照研发团队的规划，NeuroVFM最快将在2027年上半年通过FDA二类医疗器械认证，正式面向医疗机构开放商用授权，未来还将推出轻量化的基层版本，帮助缺少专业神经放射科医生的基层医疗机构提升神经系统疾病的早筛能力。
不过也有行业专家指出，医疗AI的落地除了技术验证外，还需要解决数据安全、诊断责任界定等问题，NeuroVFM的大规模普及仍需要至少3-5年的合规与市场教育周期。
本文基于公开信息分析整理，仅供参考。更多AI工具动态与行业解读，请持续关注本站更新。
滇公网安备 53252802528133号