日常診療の過程で生成された画像——選別も注釈もされておらず、読影レポートの文章さえ用いない——に対して直接訓練された視覚基盤モデルが、公開コーパス上に構築されたモデルを上回った。だが最も示唆に富む結果はそこにはない。打ち負かされたモデルのいくつかは、同じ病院アーカイブから汲み上げていたのである。本研究が切り分けているのは、学習目的の効果だ。

出典：nature.com

発見

技術的説明

1. なぜ神経画像は公共領域に欠けているのか。 出発点は技術的ではなく規制的である。頭部CTまたはMRIのボリュームには患者の顔が含まれ、3Dで再構成できてしまう。この本質的な識別可能性が、基盤モデルを育ててきた大規模公開コーパスから神経画像を締め出してきた。データは存在する——各病院のPACSアーカイブに何百万と——が、それらは非公開で、不均質で、注釈がない。著者らの賭けは、来ることのない公開コーパスを待つのではなく、データがある場所まで取りに行くことにある。

2. Vol-JEPA——ピクセル空間ではなく潜在空間で予測する。 ここが本研究の機構的な核心であり、古典的なマスク付きオートエンコーダーとは明確に異なる。3Dボリュームはまずパッチ（ボリューメトリック・トークン）に切り分けられる。背景を除去したのち、残るパッチは小さな可視コンテキストとより広いマスク対象に振り分けられる——この非対称性こそがタスクを難しくする。生徒エンコーダー——「オンライン」の3D Vision Transformer——はコンテキストのみの表現を計算する。次いで予測器が、その表現から、マスクされた領域の表現がどうなるはずかを生成しなければならない。並行して「オフライン」の教師エンコーダーが完全なボリュームを見て対象を供給し、勾配はそこを通らないよう遮断される。訓練は予測と対象のあいだのHuber損失（smooth L1）を最小化する：

$\ell(x)=\begin{cases}0{,}5\,x^{2} & \text{si } |x|<1\\ |x|-0{,}5 & \text{sinon}\end{cases}$ℓ(x)={0,5x2∣x∣−0,5​si ∣x∣<1sinon​

決定的な違いは、対象が欠けたピクセルではなくその符号化である点だ。ピクセルを再構成させれば、モデルは取得ノイズ、体動アーチファクト、検出器の粒状性——臨床情報を担わないまま装置ごとに変動するすべて——までモデル化させられる。潜在空間で予測することで、モデルは予測不能なものを無視する自由を得て、構造的に予測可能なもの、すなわち解剖とその変化だけを保持する。まさにこれが、本手法を非整備データに対して寛容にしている。

3. なぜ教師は崩壊しないのか。 生徒が双子ネットワークの生成した対象を模倣するよう学ぶ構成には、自明解の危険がある。両ネットワークが定数を出力し、損失はゼロに落ち、何も学ばれない。歯止めは、教師が勾配降下で訓練されないことにある——その重みは生徒の重みの指数移動平均である：

$\theta_{\text{enseignant}} \leftarrow \tau\,\theta_{\text{enseignant}} + (1-\tau)\,\theta_{\text{étudiant}}$θenseignant​←τθenseignant​+(1−τ)θeˊtudiant​

こうして教師は生徒の平滑化・遅延版であり続ける。近道で追いつかれるには遅すぎ、しかし生徒とともに前進するには十分な速さで動く対象である。この段階では、ラベルも読影レポートも一切介在しない。（これら2式の明示的な形は本手法の標準的な注解であり、論文からの引用ではない。）

4. 評価が測るもの——そして証明するもの。 AUROCは、選んだ閾値によらず、ある状態の有無を分離する能力を定量化する。$\mathrm{AUROC}=0{,}5$AUROC=0,5は偶然と等価、$1{,}0$1,0は完全分離である。ここではマクロ平均が取られている。各診断が同じ重みを持ち、最も稀なものも含まれる。この選択こそが数値を有意味にしている——頻度で重み付けした平均なら、ありふれた易しい症例で水増しされていただろう。CT 82タスクで$92{,}68\%$92,68%、MRI 74タスクで$92{,}49\%$92,49%を得ることは、したがって156診断に広がった能力を測っており、少数の優勢な病態でのピークではない。数値を解釈するうえで効いてくる但し書きがある。エンコーダーは事前学習後に凍結され、その上で訓練される教師ありの分類プローブがこれらのスコアを出している。事前学習はラベルなしだが、評価はそうではない。

5. 効いてくる比較——同じアーカイブ、異なる目的。 これが本論文で方法論的に最も強い点であり、生の数値が覆い隠している点でもある。PRIMA、HLIP、NeuroMAE、NeuroVFMはいずれもUM-NeuroImages上で事前学習されている。したがって比較はデータ源を統制しており、差は事前学習の目的とアーキテクチャに帰属し、画像の出所には帰属しない。なおNeuroMAEは第三者チームが公表した競合モデルではない。計算予算を揃えたベースラインであり、目的の効果だけを切り出すために著者ら自身が構築した（ボクセル再構成、85%のランダムマスキング）。主要評価項目において、NeuroVFMはHLIPを$+0{,}98$+0,98ポイント（95%CI：0.76–1.20）、NeuroMAEを$+1{,}55$+1,55、DINOv3を$+2{,}24$+2,24、BiomedCLIPを$+2{,}88$+2,88、PRIMAを$+3{,}87$+3,87上回る——ただし最後の差は別枠であり、PRIMAはMRIサブセットでのみ訓練・評価されている。重なりが完全であることもない。HLIPは444,188件の検査–レポート対で訓練されており、566,915件の検査の一部にすぎない。

6. 診断からトリアージへ——前向きの試練。 LLaVA-1.5型のアーキテクチャで言語モデルQwen3-14Bと結合され、NeuroVFMは予備レポートを起草し検査に優先順位をつけうるシステムを駆動する。プロトコルは前向きかつサイレントな実行可能性研究であり——システムは診療に影響を与えずに動作する——医療システム規模で連続1週間、2026年1月18日から25日まで、1,155件の検査（MRI 601件、CT 544件）を対象に実施された。生成レポートはスクリーニング用言語モデルでフィルタリングされ、次いで盲検下の専門臨床医パネルが、生成レポートに基づいてトリアージ判断を下し——採点されるのはこちらである——実際のレポートに基づいて参照判断を下す。NeuroVFM群のバランス精度92.6%（95%CI：89.8–95.2）は、GPT-5群の71.2%（95%CI：67.2–75.2）に対して$+21{,}4$+21,4ポイントであり、したがってモデル単体ではなく連鎖全体——モデル、自動スクリーニング、人間の読影——を測っている。

なぜうまくいったのか

利得はデータの出所よりも学習目的から来ている。生アーカイブは必要条件であり——それなしには524万ボリュームはない——しかし差を説明するには十分でない。5つの比較対象のうち3つが同じアーカイブから汲み上げていたのだから。本論文が立証しているのは、データ源が同一の条件下で、潜在空間での予測が、タスクの多様性が増すほどよく汎化する表現を生むということである。名目上最も高い差（$+3{,}87$+3,87）はPRIMAに対するものだが、論文はそれをそのようには扱わない。最も広い差への言及は、インターネット規模で訓練されたモデル——DINOv3（$+2{,}24$+2,24）とBiomedCLIP（$+2{,}88$+2,88）——に留保している。そこでは目的と訓練データの双方が異なり、両者の効果が重なるからである。

限界は明示されており、物語をかなり冷ます。同じアーカイブで訓練された最も堅固なベースラインHLIPに対して、優位はわずか$0{,}98$0,98ポイントである。NeuroVFMはCT 17カテゴリ中10で敗北なしに勝つが、MRIでは18カテゴリ中5にとどまり、炎症性カテゴリはHLIPが取り、残りは有意差なしである。ラベルがレポートの文言に密着した小規模テストセットCQ500では、HLIPが過半のタスクでNeuroVFMを上回りさえする。著者らはそこから正しい結論を引き出している。レポートで教師付けされたモデルは特定の診断では依然として競争力を保ち、NeuroVFMの優位はタスクの多様性が増すときに現れる、と。トリアージでは感度が86.5%（95%CI：81.0–91.6）で頭打ちになる——重大な異常を有する155人中21人、およそ7人に1人が見逃されており、これが自律的な運用を禁じる。データは単一の医療システムに由来し、他施設・他集団への一般化は示されていない。最後に「GPT-5を上回る」とは、そのために設計されたことのない汎用モデルを相手にした、限定的な神経放射線トリアージ課題についてであり、しかも最終判断を臨床医が下すパイプライン内での話である——実条件下の放射線科医との比較ではない。公開リポジトリは率直に述べている。研究用途限定、これは医療機器ではない。

因果連鎖

医用画像への畳み込みネットワークの適用（2010年代）→ 大規模公開コーパス上の自己教師あり基盤モデルの興隆（2020-2023）→ 神経画像に固有の行き詰まり：頭蓋は識別可能であり、データは公共領域の外にとどまる → 病院アーカイブにはすでに素材が非整備のまま存在するという認識 → 医療システムデータで訓練され、レポート文章で教師付けされたモデルの第一波（HLIP、PRIMA）→ JEPA目的の3Dボリュームへの適応（Vol-JEPA）、潜在空間で予測しラベルを完全に不要とする → 566,915件の検査に由来する524万ボリュームでの訓練 → 156タスクにわたるマクロ平均AUROC 92.68%（CT）・92.49%（MRI）、HLIP・NeuroMAE・DINOv3・BiomedCLIP・PRIMAを上回る → Qwen3-14Bとの結合と1週間のサイレント前向きトリアージ研究（2026年1月）→ Nature Medicineでの公表とコード（MIT）・重み（2026年7月）の公開 → 残る関門：外部多施設検証、および自律運用には不十分な感度86.5%

逸話

医療データの逆説は一枚の画像に集約される。神経画像が公開コーパスに入ることを阻んだのは抽象的な医療上の秘密ではなく、患者の顔である——頭部CTは3Dで再構成され、識別可能な顔立ちを取り戻してしまう。3Dボリュームに最も富む分野が、共有可能なデータには最も貧しかったのだ。NeuroVFMはこの問題を解決しない。迂回する。画像を共通コーパスへ書き出すのではなく、それらがすでに存在する場所——単一の医療システムが20年かけて蓄積した566,915件の検査——へ学びに行くのである。

遺産と現在のデータ

この研究以前から分野にはすでに先行者がいた。HLIPとPRIMAは、いずれも医療システムデータで訓練されレポート文章で教師付けされており、この系統の主要アプローチを構成していた——そして本稿では比較点として登場する。したがって問いはもはや、画像領域に基盤モデルが必要かどうかではなく、どの訓練信号でそれを構築するか——放射線科医のレポートか、画像単独か——である。NeuroVFM固有の寄与は臨床製品ではない——日常運用への展開は報告されておらず、リポジトリは医療判断での使用を明示的に排除している——が、実効的な公開に裏打ちされた原理実証である。コードはMITライセンス下にあり、重みはCC-BY-NC-SA 4.0でHugging Faceに公開され、一部は機関からの申請を条件として残されている。著者ら自身は続きを、時系列およびマルチモーダルデータの統合——病理、ゲノミクス、縦断的な臨床転帰——の側に位置づけている。

出典

2026年8月5日のファクトチェック監査時に検証された参照先：本速報の主張が突き合わされたページである。

1. Health system learning enables generalist neuroimaging models — Nature Medicine（2026） — 査読済み、オープンアクセス（CC BY 4.0）、2026年7月10日公表。DOI：10.1038/s41591-026-04497-1
2. Health system learning achieves generalist neuroimaging models — arXivプレプリント 2511.18640（2025） — プレプリント、2025年11月23日。同一研究の先行版であり、PRIMAおよびNeuroMAEのベースラインも前向きトリアージ研究も含まない。
3. Learning from routine health system data builds better neuroimaging AI models — Nature Medicine（2026） — 2026年7月31日のResearch Briefing、本研究の著者ら自身による執筆：独立した編集コメンタリーではない。
4. 公式リポジトリ MLNeurosurg/neurovfm — GitHub — コード（MIT）、重み、および「research use only, not a medical device」の記載。

透明性について：本速報の数値は、査読済みのオープンアクセス論文および著者らの公式リポジトリに由来する。コホートの詳細な構成および診断別の曲線については、一行ずつの再検証は行っていない。