Curia: Un Modelo Fundacional Multimodal para Radiología

Curia: A Multi-Modal Foundation Model for Radiology

September 8, 2025

Autores: 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

Resumen

La interpretación radiológica asistida por IA se basa principalmente en modelos estrechos y de tarea única. Este enfoque resulta poco práctico para abarcar el amplio espectro de modalidades de imagen, enfermedades y hallazgos radiológicos. Los modelos fundamentales (FMs) prometen una generalización amplia entre modalidades y en entornos con pocos datos. Sin embargo, este potencial ha permanecido en gran medida sin realizarse en radiología. Presentamos Curia, un modelo fundamental entrenado en toda la producción de imágenes transversales de un hospital importante durante varios años, que, hasta donde sabemos, es el mayor corpus de datos del mundo real de este tipo, abarcando 150,000 exámenes (130 TB). En un nuevo punto de referencia de validación externa de 19 tareas, Curia identifica con precisión órganos, detecta condiciones como hemorragias cerebrales e infartos de miocardio, y predice resultados en la estadificación de tumores. Curia iguala o supera el rendimiento de radiólogos y modelos fundamentales recientes, y exhibe propiedades emergentes clínicamente significativas en regímenes de baja cantidad de datos y entre modalidades. Para acelerar el progreso, publicamos los pesos de nuestro modelo base en 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.