📄 Version "Simple" affichee, "Avancé" n est pas encore prete. Ajoutez-le aux favoris pour aider a la prioriser. Demander l’analyse complète

Un médecin passe des années à apprendre à reconnaître les maladies sur les images du cerveau. D'abord, il repère parfaitement les signes du vieillissement, puis il maîtrise les tumeurs – et soudain, il se met à confondre ce qu'il savait auparavant. C'est à peu près ce qui arrive à de nombreux réseaux de neurones : les nouvelles connaissances effacent les anciennes.

Le nouveau modèle Alcmaeon résout ce problème grâce à une approche qui rappelle les notes en marge d'un manuel. La méthode Graph-Blueprint Pruning identifie dans le réseau des « notes de référence » – des groupes de connexions essentiels pour les maladies déjà étudiées. Ces notes sont figées, tandis que le reste du réseau continue librement d'apprendre sur de nouvelles données. Le modèle a été testé sur quatre domaines : le vieillissement sain, la neurodégénérescence, le développement cérébral et les tumeurs. Lors du passage aux tumeurs, les anciennes compétences ont été les mieux préservées – le réseau n'a pas désappris ce qu'il voyait auparavant.

Fait curieux, les « notes » se sont révélées différentes selon les tâches. Pour la classification des maladies, certaines couches du réseau fonctionnaient mieux ; pour la prédiction de la survie, d'autres. Il n'y a pas de recette universelle, mais l'approche elle-même donne l'espoir de créer des assistants médicaux vraiment durables. Car le cerveau, contrairement à l'ordinateur, sait apprendre toute sa vie sans effacer les vieux souvenirs – et Alcmaeon fait un pas dans cette direction.

Résumé original

tel que rédigé par les auteurs, en anglais arXiv:2608.08319v1

Brain magnetic resonance imaging (MRI) is central to neuroscience and clinical assessment, but models are commonly developed for individual diseases, populations or imaging protocols. Foundation models promise more general representations, yet they are usually pretrained once and can lose earlier capabilities when updated with new data. Here we show that Alcmaeon, a three-dimensional brain MRI foundation model pretrained without manual labels on more than 425,000 volumes and derived imaging maps, can be expanded sequentially across clinical domains. Alcmaeon combines volumetric encoding and latent diffusion generation with Graph-Blueprint Pruning (GBP), which protects network modules important to earlier domains while leaving the remaining capacity trainable. Across expansion from healthy ageing and neurodegeneration to developmental, psychiatric and tumour imaging, GBP showed less forgetting than sequential adaptation and elastic weight consolidation across voxel-level reconstruction measures, with its largest advantage after adaptation to tumour imaging. The blueprints provided an inspectable record of how model capacity was protected and reused. Representations from different model levels supported image synthesis, disease classification, survival modelling and postoperative prediction, although no single representation was optimal for every task. These findings provide a route towards brain MRI foundation models that can grow with emerging data while retaining earlier capabilities.