Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

A Foundation Model for Next-Generation Generalizable AI in Neuro-Radiology

Descrizione del progetto

IA più intelligente per l’imaging cerebrale

La radiologia può trarre vantaggio dall’intelligenza artificiale ma i progressi sono stati rallentati dalla necessità di disporre di enormi insiemi di dati etichettati. Inoltre l’adattabilità dei tradizionali strumenti di IA è limitata. La maggior parte dei modelli stenta a generalizzare tra i diversi compiti o gruppi di pazienti, frenando l’adozione clinica. In quest’ottica, il progetto finanziato dal CER svilupperà un modello visivo di base addestrato su oltre 200 000 scansioni cerebrali utilizzando l’apprendimento auto-supervisionato. Il modello, incentrato sulla neuroradiologia, supporterà un’ampia gamma di applicazioni, dal triage di emergenza alla previsione del rischio di demenza, utilizzando una quantità minima di dati etichettati. Grazie a strumenti open source e a una formazione su larga scala, il progetto sta aprendo la strada a un’intelligenza artificiale più flessibile, accurata e accessibile nell’imaging medico.

Obiettivo

Medical artificial intelligence (AI) holds immense promise for transforming radiology by introducing advanced diagnostic capabilities. Yet, traditional AI models face challenges like extensive data annotation needs and are task-specific with limited generalizability to different scenarios. This problem of robust and label-efficient generalization continues to be a key translational challenge for medical AI models and has prevented their broad uptake in real world healthcare settings. AI-Next will build on the recent advent of foundation models, providing a unique opportunity to rethink the development of medical AI and overcome the challenges of traditional AI models. At the core of AI-Next stands the development of a state-of-the-art visual foundation model (VFM) that learns generalizable representations from unlabelled radiology scans and provides a basis for label-efficient model adaptation in several applications. The VFM will focus on neuro-radiology and be trained with data at unprecedented scale including >200,000 brain computed tomography and magnetic resonance imaging scans from population-based and disease specific cohorts, leveraging self-supervised learning. The VFM will be adapted with a limited set of explicit labels to a range of tasks with clinical significance. This includes the screening and triage of scans for emergency findings, longitudinal disease activity assessment, risk prediction of dementia, forecasting of disease evolution and finally automated radiology reporting. Moreover, the VFM will be employed for image processing tasks, including generating super-resolution images to enhance diagnostic capabilities. Overall, AI-Next will represent a crucial step towards more generalisable, accurate and label-efficient AI in neuro-radiology, offering significant potential for improving diagnostics, clinical decision-making as well as patient outcomes, and its open-source innovations will serve as a blueprint for the broader field of radiology.

Campo scientifico (EuroSciVoc)

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

HORIZON-ERC - HORIZON ERC Grants

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) ERC-2024-COG

Vedi tutti i progetti finanziati nell’ambito del bando

Istituzione ospitante

UNIVERSITATSKLINIKUM BONN
Contributo netto dell'UE
€ 2 268 799,59
Indirizzo
VENUSBERG-CAMPUS 1
53127 Bonn
Germania
Regione
Nordrhein-Westfalen Köln Bonn, Kreisfreie Stadt
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
€ 2 268 799,59

Beneficiari (2)