随着人工智能在医疗健康领域的渗透，深度学习模型正逐渐从针对特定任务的专用模型向通用化、基础化演进。近日，来自密歇根大学的研究团队宣布推出了一款名为 NeuroVFM 的革命性神经影像学基础模型。该模型在 524 万份未经过严格筛选的临床 MRI 和 CT 体积数据上进行训练，展示了在处理海量医疗影像数据方面的巨大潜力。
NeuroVFM 的核心突破在于其底层架构——Vol-JEPA（Volume-based Joint Embedding Predictive Architecture）。这一技术是对 Meta AI 提出的 JEPA（联合嵌入预测架构）的延伸与适配。与传统的自编码器或对比学习模型不同，JEPA 类模型通过预测抽象的表征来学习数据特征，而非直接预测像素级内容。这种机制赋予了模型更强的鲁棒性，使其在面对医疗影像中常见的噪声、伪影以及低质量数据时，依然能提取出核心的解剖学特征和病理信息。
在数据利用方面，NeuroVFM 的训练数据集规模令人咋舌——达到了 524 万份。更值得注意的是，这些数据是“未筛选”的临床数据，意味着模型直接面对的是真实世界中的医疗影像，包含了各种复杂的成像条件和患者变异。这一特性使得 NeuroVFM 不仅仅是一个在干净合成数据上训练的玩具模型，而是一个具备实战能力的通用工具。
最大的亮点在于，NeuroVFM 的训练过程完全不需要依赖放射科医生的文本报告标签。在医学影像领域，高质量的标注数据往往稀缺且昂贵。传统模型通常需要依赖医生提供的诊断报告作为监督信号，而 NeuroVFM 通过 Vol-JEPA 架构，实现了对脑部解剖结构和病理特征的“无监督”学习。它通过学习医学影像的内部一致性，自动理解脑部结构（如皮层、白质、脑室等）以及异常病灶（如肿瘤、梗塞、出血等），无需任何外部文本描述即可完成精准的特征提取。
这种通用的“大脑理解”能力，使得 NeuroVFM 具有广泛的应用前景。它可以作为底层引擎，辅助放射科医生进行快速筛查和诊断，提高诊断效率；也可以作为研究工具，帮助科学家从海量数据中发现新的生物标志物。此外，得益于其基于表征学习的特性，NeuroVFM 模型未来有望被微调用于多种不同的下游任务，如自动分割、病变检测和预后分析。
总体而言，NeuroVFM 的问世标志着医学影像 AI 正在迈向一个新的阶段。它证明了通过更先进的架构设计（如 Vol-JEPA）和利用海量真实临床数据，AI 模型可以在不依赖昂贵人工标注的情况下，达到甚至超越传统方法的性能，为精准医疗和智慧诊断提供了强有力的技术支撑。
信息来源：MarkTechPost
原文链接：https://www.marktechpost.com/2026/07/12/meet-neurovfm-a-new-neuroimaging-foundation-model-trained-with-vol-jepa-on-uncurated-clinical-mri-and-ct-volumes/
信息来源：MarkTechPost，原文链接：https://www.marktechpost.com/2026/07/12/meet-neurovfm-a-new-neuroimaging-foundation-model-trained-with-vol-jepa-on-uncurated-clinical-mri-and-ct-volumes/
封面图片来源：Unsplash / 摄影师 National Cancer Institute
