在医学人工智能领域，传统的 AI 模型通常只能完成单一任务——例如专门识别中风或专门分析肿瘤。这种“单兵作战”模式不仅研发成本高，且对高质量标注数据的依赖极大，限制了其在数据稀缺病种中的应用。
近日，来自麻省总医院查尔斯顿分校（Mass General Brigham）、哈佛医学院（Harvard Medical School）及其合作机构的研究团队在《自然-神经科学》（Nature Neuroscience）上发表重要研究。他们开发了一个名为 BrainIAC（脑影像自适应核心，Brain Imaging Adaptive Core） 的大规模 AI 基础模型（Foundation model）。该模型通过海量数据预训练，展现出跨疾病、跨任务的极强自适应能力，其性能显著优于传统针对特定任务训练的专业模型。
突破“冰山一角”：从 4.8 万份 MRI 中提取通用特征
美国每年执行数百万次脑部磁共振成像（MRI）检查，但传统的放射科诊断往往只针对特定病因进行“定点分析”。论文通讯作者 Benjamin H. Kann 指出：“人类的读片分析往往只触及了扫描图像所能提供信息的冰山一角。利用 AI 和先进的计算成像技术，我们可以挖掘出前所未有的信息量。”
BrainIAC 的核心技术逻辑：
-
超大规模预训练： 研究团队利用 48,965 份脑部 MRI 扫描图像对模型进行初始训练。
-
自监督对比学习（Contrastive learning）： 与传统“一对一”预测单一病症的算法不同，BrainIAC 采用自监督学习路径，在无需人工标注的情况下，通过对比海量图像的异同，自动习得人类大脑的解剖结构特征与组织逻辑。
-
通用性内核： 这种预训练赋予了 BrainIAC 深厚的“基准知识库”，使其成为一个通用的“大脑特征提取器”。
[Image: BrainIAC model architecture and its performance in diverse neuroimaging tasks]
核心优势：样本需求降低 10 倍，实现“多能”诊断
研究团队评估了 BrainIAC 在多种复杂神经系统疾病中的表现，包括阿尔茨海默病（Alzheimer's disease）、自闭症（Autism）、痴呆症、脑肿瘤、帕金森病（Parkinson's disease）及中风（Stroke）。
研究结果揭示了其卓越的临床潜力：
-
极高的样本效率： 在实现相同诊断精度的情况下，BrainIAC 对下游特定任务的训练数据需求量比传统单任务模型降低了 10 倍。这对于研究样本稀少的罕见病或急性损伤具有革命性意义。
-
精准的特征定位： 模型在判定脑肿瘤的突变状态（Mutational status）等复杂任务中，展现出了极高的关注点准确性，能够辅助医生识别细微的病理变化。
临床前景：医学影像的“开源”新生态
BrainIAC 目前已在相关网站上开源（Open-source）。目前，全球已有多个研究小组开始利用该模型追踪阿尔茨海默病的进展及创伤性脑损伤的早期识别。Kann 教授认为，BrainIAC 开启了一种“基础模型+特定任务微调”的新范式，未来可推广至 CT、视网膜影像及超声等领域。这种跨模态、通用型的 AI 核心，将为临床医生提供更强力、更具成本效益的工具，用以监测各类急慢性脑部疾病并预测未来发病风险。
参考文献：
Divyanshu Tak et al, A generalizable foundation model for analysis of human brain MRI, Nature Neuroscience (2026). DOI: 10.1038/s41593-026-02202-6.
Access the BrainIAC algorithm.
编辑：王洪
排版：李丽
评论 (0)