NeuroVFM leert hersenscans lezen uit ruwe ziekenhuisdata

Een onderzoeksteam van de University of Michigan heeft een AI-model gebouwd dat hersenscans leert lezen uit de rommelige data die een ziekenhuis dagelijks produceert. Het model heet NeuroVFM en verscheen deze week in Nature Medicine. Vakblog MarkTechPost beschreef het werk op 12 juli. Het bijzondere zit in de trainingsdata: geen zorgvuldig opgeschoonde onderzoeksset, maar ruwe klinische beelden zoals ze in de praktijk binnenkomen.

Getraind op 5,24 miljoen scans zonder handmatige labels

NeuroVFM zag tijdens de training 5,24 miljoen MRI- en CT-volumes, afkomstig uit 566.915 onderzoeken in de UM-NeuroImages-dataset. Die beelden komen uit ruim twee decennia routinezorg bij Michigan Medicine. De onderzoekers noemen hun aanpak “health system learning”: het model leert rechtstreeks van data die ontstaat tijdens gewone patiëntenzorg, zonder radiologieverslagen als bijschrift en zonder dat mensen de beelden vooraf annoteren.

De techniek erachter is Vol-JEPA, een zelflerende methode die CT en MRI in één gedeelde representatie vat. Eerdere medische modellen leunden vaak op labels uit radiologieverslagen of op handmatig geselecteerde datasets. NeuroVFM slaat die stap over en leert de anatomie en de afwijkingen van het brein puur uit de beelden zelf. Dat past bij een bredere lijn waarin AI zeldzame ziekten uit zorgdossiers opdiept en steeds vaker in de zorg wordt ingezet.

Weinig rekenkracht, brede inzet

De cijfers die het team rapporteert zijn opvallend zuinig. Een volledige Vol-JEPA-training kostte minder dan 1.000 GPU-uren en verliep ruim zeven keer sneller dan een 3DINO-referentiemodel. Op diagnostische taken haalde NeuroVFM een AUROC van 92,68 op CT en 92,49 op MRI. Omdat de visuele kenmerken van het model bevroren blijven, kan hetzelfde getrainde netwerk voor meerdere vervolgtaken worden hergebruikt.

Voor het opstellen van gestructureerde verslagen koppelde het team NeuroVFM aan het taalmodel Qwen3-14B, in een opzet die lijkt op LLaVA-1.5. Zo vertaalt het systeem beeldkenmerken naar leesbare bevindingen. Dat medische AI en taalmodellen elkaar vinden, bleek eerder bij onderzoek naar T-cellen en bij Meta, dat probeerde tekst uit hersenactiviteit af te lezen. Qwen komt uit China, waar modellen hard aan terrein winnen.

Het team testte NeuroVFM ook prospectief. In een stille evaluatie tussen 18 en 25 januari 2026 draaide het model mee op alle 1.155 hoofd- en hersenscans (601 MRI’s en 544 CT’s) die in die week bij de routinezorg langskwamen, zonder invloed op de klinische beslissingen.

Wat betekent dit

NeuroVFM laat zien dat een foundationmodel geen opgeschoonde onderzoeksdataset nodig heeft. De ruwe stroom aan scans die een ziekenhuis toch al opslaat, blijkt bruikbaar trainingsmateriaal. Als dat idee standhoudt, kan in principe elke grote zorginstelling modellen trainen op de eigen beeldarchieven, terwijl tot nu toe vooral gecureerde datasets de norm waren.

Voorlopig blijft het onderzoek. De resultaten staan in Nature Medicine en vormen nog geen goedgekeurd diagnosehulpmiddel; een stille test is iets anders dan dagelijkse inzet bij een patiënt. Toch geeft de zuinige rekentijd te denken. Een radiologisch model dat op één werkstation te trainen valt, brengt bruikbare AI dichter bij ziekenhuizen zonder groot AI-lab.