Pilar-0: Uma Nova Fronteira para Modelos de Base em Radiologia
Pillar-0: A New Frontier for Radiology Foundation Models
November 21, 2025
Autores: Kumar Krishna Agrawal, Longchao Liu, Long Lian, Michael Nercessian, Natalia Harguindeguy, Yufu Wu, Peter Mikhael, Gigin Lin, Lecia V. Sequist, Florian Fintelmann, Trevor Darrell, Yutong Bai, Maggie Chung, Adam Yala
cs.AI
Resumo
A radiologia desempenha um papel integral na medicina moderna, porém o aumento dos volumes de imagem superou em muito o crescimento da força de trabalho. Os modelos de base oferecem um caminho para auxiliar em todo o espectro de tarefas radiológicas, mas os modelos médicos existentes permanecem limitados: eles processam tomografias computadorizadas e ressonâncias magnéticas volumétricas como fatias 2D de baixa fidelidade, descartam informações críticas de contraste em tons de cinza e carecem de estruturas de avaliação que reflitam a prática clínica real. Apresentamos o Pillar-0, um modelo de base para radiologia pré-treinado em 42.990 TC de abdômen-pélvis, 86.411 TC de tórax, 14.348 TC de crânio e 11.543 RM de mama de um grande centro acadêmico, juntamente com o RATE, uma estrutura escalável que extrai rótulos estruturados para 366 achados radiológicos com precisão quase perfeita usando LLMs. Em conjuntos de teste internos de 14.230 TC de abdômen-pélvis, 10.646 TC de tórax, 4.906 TC de crânio e 1.585 RM de mama, o Pillar-0 estabelece uma nova fronteira de desempenho, alcançando AUROCs médios de 86,4, 88,0, 90,1 e 82,9, superando o MedGemma (Google), MedImageInsight (Microsoft), Lingshu (Alibaba) e Merlin (Stanford) por 7,8-15,8 pontos de AUROC e classificando-se como o melhor em 87,2% (319/366) das tarefas. O Pillar-0 supera igualmente todas as baselines numa validação externa no conjunto de dados Stanford Abdominal CT, incluindo o Merlin (82,2 vs 80,6 AUROC). O Pillar-0 estende-se a tarefas além do seu pré-treinamento, como a previsão de risco de cancro do pulmão de longo horizonte, onde melhora o estado da arte Sybil em 3,0 pontos de índice C no NLST, e generaliza com ganhos de 5,9 (MGH) e 1,9 (CGMH). Na deteção de hemorragia cerebral, o Pillar-0 obteve um AUROC >95 utilizando apenas 1/20 dos dados da próxima baseline mais eficiente em termos de amostras. O Pillar-0 e o RATE, em conjunto, fornecem uma base aberta e clinicamente rigorosa para a construção de sistemas de radiologia de alto desempenho, permitindo aplicações que anteriormente eram inviáveis devido a restrições computacionais, de dados e de avaliação.
English
Radiology plays an integral role in modern medicine, yet rising imaging volumes have far outpaced workforce growth. Foundation models offer a path toward assisting with the full spectrum of radiology tasks, but existing medical models remain limited: they process volumetric CT and MRI as low-fidelity 2D slices, discard critical grayscale contrast information, and lack evaluation frameworks that reflect real clinical practice. We introduce Pillar-0, a radiology foundation model pretrained on 42,990 abdomen-pelvis CTs, 86,411 chest CTs, 14,348 head CTs, and 11,543 breast MRIs from a large academic center, together with RATE, a scalable framework that extracts structured labels for 366 radiologic findings with near-perfect accuracy using LLMs. Across internal test sets of 14,230 abdomen-pelvis CTs, 10,646 chest CTs, 4,906 head CTs, and 1,585 breast MRIs, Pillar-0 establishes a new performance frontier, achieving mean AUROCs of 86.4, 88.0, 90.1, and 82.9, outperforming MedGemma (Google), MedImageInsight (Microsoft), Lingshu (Alibaba), and Merlin (Stanford) by 7.8-15.8 AUROC points and ranking best in 87.2\% (319/366) tasks. Pillar-0 similarly outperforms all baselines in an external validation on the Stanford Abdominal CT dataset, including Merlin (82.2 vs 80.6 AUROC). Pillar-0 extends to tasks beyond its pretraining, such as long-horizon lung cancer risk prediction, where it improves upon the state-of-the-art Sybil by 3.0 C-index points on NLST, and generalizes with gains of 5.9 (MGH) and 1.9 (CGMH). In brain hemorrhage detection, Pillar-0 obtained a >95 AUROC when using only 1/20th of the data of the next most sample efficient baseline. Pillar-0 and RATE together provide an open, clinically rigorous foundation for building high-performance radiology systems, enabling applications that were previously infeasible due to computational, data, and evaluation constraints.