編輯丨%

AI 憑借其高效的學習能力，在過去幾十年里，在早期診斷和研究特定疾病或神經(jīng)精神疾病的方面展現(xiàn)出了前景。舉個例子來說，通過使用分析磁共振成像（MRI）收集的大量腦部掃描數(shù)據(jù)，AI 能夠發(fā)現(xiàn)與腫瘤、中風和神經(jīng)退行性疾病相關的模式，從而有助于診斷這些疾病。

但在臨床方面，臨床轉化長期受困于一個核心矛盾：高質量的標注數(shù)據(jù)稀缺且昂貴，而不同中心、不同掃描儀、不同序列采集的海量未標注數(shù)據(jù)卻「沉睡」在各地。如何喚醒這些數(shù)據(jù)，讓模型能從中學到泛化能力強的特征，是突破瓶頸的關鍵。

來自麻省總醫(yī)院布賴厄姆醫(yī)院、哈佛醫(yī)學院（Mass General Brigham, Harvard Medical School）等研究所的成員給出了一個強有力的答案——BrainIAC（Brain Imaging Adaptive Core）。這是一個專為腦 MRI 設計的基礎模型，通過自監(jiān)督學習在海量多參數(shù) MRI 數(shù)據(jù)上預訓練，然后在多個下游任務中展現(xiàn)出卓越的適應性和泛化能力。

圖 1：BrainIAC 官網(wǎng)。

相關的研究以「A generalizable foundation model for analysis of human brain MRI」為題，于 2026 年 2 月 5 日發(fā)布在《Nature Neuroscience》。

論文鏈接：https://www.nature.com/articles/s41593-026-02202-6

為腦 MRI「量身定制」的預訓練策略

在當下，腦 MRI AI 系統(tǒng)面臨幾個結構性問題。不同研究中心使用不同的協(xié)議，這導致數(shù)據(jù)較為分散；而結構與功能聯(lián)合建模的困難也帶來了模態(tài)分離的現(xiàn)狀；模型的高度專業(yè)化也進一步指向任務專用化的問題。

為了涵蓋多模態(tài)的龐大數(shù)據(jù)源，研究團隊采用自監(jiān)督學習（SSL），對共計 48,965 次 MRI 成像掃描進行了預訓練 。BrainIAC 的預訓練數(shù)據(jù)涵蓋了 T1 加權、T2 加權、T1 增強（T1CE）、FLAIR 這四種主要序列，使其能學習到跨序列的、與采集協(xié)議無關的通用特征表示。

圖 2：研究概述。

研究者們對比了三種主流的自監(jiān)督學習框架與骨干網(wǎng)絡組合——SimCLR-ResNet50、SimCLR-ViT-B 和 MAE-SwinViT，在全部七個下游任務上評估其小樣本（K=1 和 K=5）適應能力。

結果顯示，基于 Vision Transformer（ViT）的 SimCLR-ViT-B 表現(xiàn)最為穩(wěn)定和優(yōu)異，最終被選定為 BrainIAC 的骨干網(wǎng)絡。ViT 的全局注意力機制，可能更適合捕捉腦 MRI 中復雜的、非局部的解剖結構關系。

圖 3：下游應用性能比較。

評估訓練

BrainIAC 在七個涵蓋不同難度和臨床場景的任務上，與三種基線模型進行了全方位比較：從頭訓練的監(jiān)督學習模型（Scratch）、醫(yī)學影像預訓練模型（MedicalNet）和分割專用基礎模型（BrainSegFounder）。評估維度包括不同數(shù)據(jù)比例下的微調性能、小樣本學習能力和線性探測。

1. MRI序列分類：這是一個基礎的「上游」任務，但在實際臨床中，由于掃描協(xié)議混亂或元數(shù)據(jù)缺失，實際環(huán)境對自動分類并不友好。在僅有 10% 訓練數(shù)據(jù)時，BrainIAC 的平衡準確率（BA）達到 90.8%，遠高于 MedicalNet 的 74.2% 和 Scratch 的 79.0%。直到數(shù)據(jù)量增加到60%，其他模型才勉強追上。
2. 腦齡預測：這是一個經(jīng)典的回歸任務，旨在用 MRI 預測個體年齡，偏差可作為神經(jīng)退行性疾病的早期標志。在外部測試集上，僅用 20% 訓練數(shù)據(jù)時，BrainIAC 的平均絕對誤差（MAE）為 6.55 年。此外，對 BrainIAC 提取的潛特征進行 t-SNE 可視化，發(fā)現(xiàn)其能清晰地按年齡組聚類。
3. IDH 突變預測：這是最具挑戰(zhàn)性的任務之一，對無法手術的患者意義重大。由于總數(shù)據(jù)量本身就很少，BrainIAC 的優(yōu)勢被放大。在 50% 訓練數(shù)據(jù)時，其 AUC 達到 0.85，顯著優(yōu)于 MedicalNet（0.78）和 Scratch（0.68）。這直接證明了基礎模型在極度稀缺數(shù)據(jù)場景下的核心價值。

圖 4：BrainIAC 腦年齡預測表現(xiàn)。

極端小樣本下的強大模型

在每類僅 1 個樣本這樣的極端小樣本場景下，BrainIAC 在所有任務上的性能下降幅度最小。這歸功于預訓練階段學到的強大特征，使其能快速從極少量新樣本中「舉一反三」。

BrainIAC 證明了針對 3D 腦 MRI，結合對比學習與 Vision Transformer 的預訓練策略，可以學習到高度泛化、相關的特征表示。它為低資源場景（罕見病、新任務）提供了開箱即用的解決方案，極大地降低了開發(fā)臨床 AI 工具的門檻和數(shù)據(jù)成本。

作為開源算法，其他研究團隊已經(jīng)開始使用該模型研究各種腦部相關疾病，檢測其出現(xiàn)并追蹤其進展。

相關鏈接：https://medicalxpress.com/news/2026-02-foundation-ai-mri-multiple-brain.html

算法鏈接：https://www.brainiac-platform.com/