NVIDIA-ն ներկայացրել է NV-Reason-CT բաց մոդելը 3D CT վերլուծության համար

NVIDIA-ն ներկայացրել է NV-Reason-CT-ը՝ տեսա-լեզվական (VLM) համակարգ եռաչափ համակարգչային տոմոգրաֆիայի (CT) սկանավորումների վերլուծության համար։ Մոդելը կազմում է կառուցվածքային ախտորոշիչ եզրակացություններ և քայլ առ քայլ դատողություն՝ կրկնելով ռադիոլոգի տրամաբանությունը, հաղորդում է ընկերությունը սեպտեմբերի 23-ի գրառման մեջ։

Նոր մոդելը տարածում է NV-Reason-CXR-ի մոտեցումը հատորային պատկերավորման վրա. վերջինս կրծքավանդակի ռենտգենյան մոդել է, որի կլինիկական հետազոտությունն ընդունվել է RSNA 2026-ում և հաստատել ռադիոլոգների ժամանակի տնտեսումը՝ պահպանելով ճշգրտությունը։

Ինչու 3D CT-ն պահանջում է այլ մոտեցում

Որովայնի մեկ CT հետազոտությունը կարող է պարունակել 300–600 առանցքային կտրվածք, և անատոմիան կոդավորված է երեք տարածական չափումներում։ Ստանդարտ VLM-ները պատկերը ընկալում են որպես երկչափ թոքենների ցանց, ուստի ծավալը որպես անկախ կադրերի շարք մշակելը կորցնում է կտրվածքների միջև այն կապերը, որոնք գոյացություններին, էֆուզիաներին ու ինֆիլտրատներին կլինիկական նշանակություն են տալիս։

NVIDIA-ն նշում է ևս երկու բացթողում. մոդելները հաճախ միայն պիտակ են տալիս՝ չբացատրելով պատճառը, իսկ գոյություն ունեցող համակարգերին պակասում է բազմաքայլ երկխոսությունը, որն անհրաժեշտ է բժշկին գտածոն ստուգելու համար։

3D տրանսֆորմեր և 4B լեզվական մոդել

Ճարտարապետությունը միավորում է լիարժեք 3D vision transformer կոդավորիչը Qwen3.5-4B լեզվական մոդելի հետ։ CT ծավալը բերվում է 192³ վոքսելի՝ 2 մմ իզոտրոպ լուծաչափությամբ, և բաժանվում 8×8×8 կարկատանային թոքենների՝ ընդհանուր 13 824 տեսողական թոքեն, որոնք 3D կոորդինատների հետ միասին փոխանցվում են լեզվական մոդելին։ 3D MRoPE սխեման պահպանում է տարածական կապերը բոլոր շերտերում։

Ուսուցումն անցել է երկու փուլով՝ նախ ուղղորդված նուրբ կարգավորում շուրջ 550 000 կառուցվածքային QA օրինակով՝ ռադիոլոգների թելադրած դատողության նշումներով, ապա ամրապնդող ուսուցում GRPO-ով և անատոմիան հաշվի առնող պարգևով։

Արդյունքներ և կլինիկական գնահատում

CT-RATE-ում՝ 3D CT-ի ընկալման առաջատար հանրային չափանիշում, NV-Reason-CT-ն արձանագրում է 0.614 Macro-F1 և 0.871 Macro-AUROC՝ առաջ անցնելով VoxelFM (0.581/0.870) և Pillar-0 (0.544/0.861) մոդելներից, ինչպես նաև ClinFusion-8B-ից (0.442) և MedGemma 1.5-ից (0.303)։ Ընկերության խոսքով՝ առաջին անգամ մեկ բաց մոդել միաժամանակյա մրցունակ է և՛ CT դասակարգման, և՛ եզրակացությունների ստեղծման հարցում։

NIH-ի ռադիոլոգները գնահատել են արդյունքները. Ազգային առողջապահական ինստիտուտների ավագ կլինիկոս Բարիս Թուրկբեյի խոսքով՝ մոդելի քայլ առ քայլ դատողությունը արտացոլում է ռադիոլոգների իրական մտածողությունը CT հետազոտության շուրջ, և հենց դատողության ընթացքը՝ ոչ միայն եզրակացությունը տեսնելու հնարավորությունն է, որ թույլ է տալիս վստահել գտածոներին։

Ինչ է ներառում բացությունը

NV-Reason-CT-ը բաց հետազոտական ու զարգացման հիմք է, ոչ թե ինքնավար ախտորոշման համակարգ կամ հաստատված կլինիկական արտադրանք։ Կշիռները հասանելի են Hugging Face-ում, իսկ GitHub պահոցը ներառում է եզրակացման սկրիպտներ, ուսուցման կարգավորումներ և հետագա ուսուցման բաղադրատոմսեր։ Մոդելը միանում է NVIDIA Medical AI ընտանիքին՝ NV-Generate-CTMR-ի և NV-Segment-CTMR-ի հետ։