Le principe

À l'image de ce qui se fait en traitement du langage avec les grands modèles, BrainIAC apprend une représentation polyvalente du cerveau à partir d'IRM non annotées, puis se spécialise sur de multiples tâches : prédiction d'âge cérébral, démence, risque d'AVC, tumeurs. BrainGFM applique la même logique aux données d'IRM fonctionnelle, sous forme de graphe.

Pourquoi c'est important

Aujourd'hui, chaque diagnostic d'imagerie cérébrale est souvent traité avec un modèle d'IA dédié. Un modèle fondationnel partagé promet un socle réutilisable, mieux validé et plus rapide à adapter à de nouvelles indications.

Les prudences nécessaires

Niveau B — performances prometteuses, mais BrainGFM est encore une prépublication. Et une note de fiabilité importante : une étude medRxiv 2026 montre qu'un modèle peut conserver sa capacité à séparer les patients tout en subissant une « dérive de calibration » qui rend ses probabilités moins fiables pour la décision. À garder en tête avant tout déploiement clinique.