Curia: Мультимодальная фундаментальная модель для радиологии

Curia: A Multi-Modal Foundation Model for Radiology

September 8, 2025

Авторы: 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

Аннотация

Интерпретация радиологических данных с помощью ИИ в основном основана на узкоспециализированных моделях, решающих одну задачу. Такой подход непрактичен для охвата широкого спектра методов визуализации, заболеваний и радиологических находок. Фундаментальные модели (ФМ) обещают широкую обобщаемость в различных модальностях и в условиях ограниченных данных. Однако этот потенциал в радиологии остается в значительной степени нереализованным. Мы представляем Curia — фундаментальную модель, обученную на всем объеме данных кросс-секционной визуализации крупной больницы за несколько лет, что, насколько нам известно, является крупнейшим корпусом реальных данных такого рода, охватывающим 150 000 исследований (130 ТБ). На новом внешнем валидационном тесте, включающем 19 задач, Curia точно идентифицирует органы, обнаруживает такие состояния, как кровоизлияния в мозг и инфаркты миокарда, и прогнозирует исходы при стадировании опухолей. Curia соответствует или превосходит результаты радиологов и современных фундаментальных моделей, а также демонстрирует клинически значимые эмерджентные свойства в кросс-модальных и низкоданных режимах. Чтобы ускорить прогресс, мы публикуем веса нашей базовой модели по адресу 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.