Curia : Un modèle fondateur multimodal pour la 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
L'interprétation radiologique assistée par l'IA repose principalement sur des modèles étroits et spécialisés dans une seule tâche. Cette approche s'avère peu pratique pour couvrir le vaste spectre des modalités d'imagerie, des maladies et des observations radiologiques. Les modèles de fondation (FMs) offrent la promesse d'une généralisation étendue à travers les modalités et dans des contextes de données limitées. Cependant, ce potentiel est resté largement inexploité en radiologie. Nous présentons Curia, un modèle de fondation entraîné sur l'ensemble des examens d'imagerie transversale d'un grand hôpital sur plusieurs années, constituant à notre connaissance le plus grand corpus de données réelles de ce type, englobant 150 000 examens (130 To). Sur un nouveau benchmark de validation externe comprenant 19 tâches, Curia identifie avec précision les organes, détecte des conditions telles que les hémorragies cérébrales et les infarctus du myocarde, et prédit les résultats dans la stadification des tumeurs. Curia égale ou dépasse les performances des radiologues et des récents modèles de fondation, et présente des propriétés émergentes cliniquement significatives dans des régimes de données croisées et limitées. Pour accélérer les progrès, nous publions les poids de notre modèle de base sur 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.