Curia: Ein Multi-Modales Foundation-Modell für die Radiologie

Curia: A Multi-Modal Foundation Model for Radiology

September 8, 2025

papers.authors: Corentin Dancette, Julien Khlaut, Antoine Saporta, Helene Philippe, Elodie Ferreres, Baptiste Callard, Théo Danielou, Léo Alberge, Léo Machado, Daniel Tordjman, Julie Dupuis, Korentin Le Floch, Jean Du Terrail, Mariam Moshiri, Laurent Dercle, Tom Boeken, Jules Gregory, Maxime Ronot, François Legou, Pascal Roux, Marc Sapoval, Pierre Manceron, Paul Hérent

cs.AI

papers.abstract

Die KI-gestützte radiologische Interpretation basiert überwiegend auf eng fokussierten, auf einzelne Aufgaben spezialisierten Modellen. Dieser Ansatz ist unpraktisch, um das breite Spektrum an Bildgebungsmodalitäten, Krankheiten und radiologischen Befunden abzudecken. Foundation-Modelle (FMs) versprechen eine breite Generalisierungsfähigkeit über verschiedene Modalitäten hinweg und in Umgebungen mit geringen Datenmengen. Dieses Potenzial ist in der Radiologie jedoch weitgehend ungenutzt geblieben. Wir stellen Curia vor, ein Foundation-Modell, das auf dem gesamten Querschnittsbildgebungsoutput eines großen Krankenhauses über mehrere Jahre trainiert wurde – nach unserem Wissen der größte derartige Korpus realer Daten, der 150.000 Untersuchungen (130 TB) umfasst. Auf einem neu kuratierten externen Validierungsbenchmark mit 19 Aufgaben identifiziert Curia präzise Organe, erkennt Zustände wie Gehirnblutungen und Myokardinfarkte und sagt Ergebnisse bei der Tumorstadieneinteilung voraus. Curia erreicht oder übertrifft die Leistung von Radiologen und aktuellen Foundation-Modellen und zeigt klinisch signifikante emergente Eigenschaften in Bezug auf Cross-Modalität und in Low-Data-Regimen. Um den Fortschritt zu beschleunigen, veröffentlichen wir die Gewichte unseres Basismodells unter https://huggingface.co/raidium/curia.

English

AI-assisted radiological interpretation is based on predominantly narrow, single-task models. This approach is impractical for covering the vast spectrum of imaging modalities, diseases, and radiological findings. Foundation models (FMs) hold the promise of broad generalization across modalities and in low-data settings. However, this potential has remained largely unrealized in radiology. We introduce Curia, a foundation model trained on the entire cross-sectional imaging output of a major hospital over several years, which to our knowledge is the largest such corpus of real-world data-encompassing 150,000 exams (130 TB). On a newly curated 19-task external validation benchmark, Curia accurately identifies organs, detects conditions like brain hemorrhages and myocardial infarctions, and predicts outcomes in tumor staging. Curia meets or surpasses the performance of radiologists and recent foundation models, and exhibits clinically significant emergent properties in cross-modality, and low-data regimes. To accelerate progress, we release our base model's weights at https://huggingface.co/raidium/curia.