NeuroVFM
PulseAugur coverage of NeuroVFM — every cluster mentioning NeuroVFM across labs, papers, and developer communities, ranked by signal.
- 2026-07-13 research_milestone University of Michigan researchers developed NeuroVFM, a neuroimaging foundation model trained on millions of clinical scans using the Vol-JEPA approach. 来源
2 天有情绪数据
-
研究探讨3D医学AI模型对MRI伪影的鲁棒性
一项新研究调查了3D医学基础模型在面对磁共振成像（MRI）中常见的伪影时的鲁棒性。研究人员评估了五个不同的预训练3D编码器，在不同MRI序列中暴露于各种生成的伪影。研究结果表明，模型的鲁棒性高度依赖于特定的模型架构和伪影的类型，没有单一模型在所有条件下都表现出一致的不变性。该研究强调，在将这些模型部署到真实的异构MRI环境中之前，需要进行明确的鲁棒性评估。
-
AI 模型融合 MRI、病理学和文本以进行脑肿瘤分类
DS@GT ARC 团队开发了一种用于脑肿瘤亚型分类的多模态模型，结合了 MRI 嵌入、组织病理学嵌入和放射学报告。他们的系统利用任务特定门，并探索了不同的报告编码器，包括 RadBERT 和 Llama 3.1 8B-Instruct。该模型在 MEDIQA-CORE 2026 Task 1 上取得了 0.801 的平均宏观 F1 分数，超过了基线，并在已验证的提交中名列第二。然而，该系统的性能高度依赖于组织病理学数据的可用性。
-
Thinking Machines Lab 提倡模型权重所有权和自主研究
Thinking Machines Lab 提倡个人和组织保留其模型权重的拥有权。他们开发了 NeuroVFM，一个在超过 500 万张临床大脑扫描图像上训练的基础模型。该实验室还提出了“循环工程”（Loop engineering）作为一种替代传统提示-读取交互的自主研究循环的方法。
-
密歇根大学发布 NeuroVFM 用于神经影像分析
密歇根大学的研究人员开发了 NeuroVFM，一个新颖的神经影像基础模型。该模型使用 Vol-JEPA 方法，在超过 5.24 百万份临床 MRI 和 CT 扫描上进行训练，NeuroVFM 从未经整理的医学数据中学习，无需放射报告标签。这种自监督方法在众多诊断任务中取得了高性能，并展示了在医学影像分析中生成报告、患者分诊和跨模态迁移等应用的潜力。