BrainIAC：首个脑MRI基础模型，一图预测多类脑部疾病

核心观点

• BrainIAC 是一种新型AI基础模型，能够基于脑部MRI扫描预测多种脑部疾病与健康状况。
• 该模型在近4.9万次MRI扫描数据上进行了预训练，展现出超越传统专用模型的强大泛化能力和灵活性。
• 这标志着AI基础模型在医疗影像分析领域具有巨大潜力，尤其适用于数据有限的临床场景。

研究概述

• 一项发表于《自然·神经科学》的同行评议研究，介绍了一种名为 BrainIAC（脑成像自适应核心） 的AI基础模型。

• 该模型能够从脑部磁共振成像（MRI）中预测：

  • 脑龄
  • 痴呆症
  • 中风发生时间
  • 脑癌

模型特点与优势

与传统AI模型的区别

• 传统/狭义AI模型：

  • 通常为单一任务设计。
  • 依赖较小的、带标签的数据集进行训练。

• BrainIAC（基础模型）：

  • 灵活通用：可执行广泛任务。
  • 预训练方式：采用自监督学习，利用海量未标记数据。
  • 知识迁移：能够将从一个任务中学到的知识应用于其他任务（迁移学习）。
  • 类比：类似于自然语言处理中的大语言模型（LLM），或图像生成领域的DALL-E、Stable Diffusion等多模态基础模型。

性能表现

• 在少量数据（few-shot）、任务难度高的情况下，其表现优于其他预训练的监督学习AI模型。
• 研究团队认为，这证明了BrainIAC的适应性和泛化能力，使其成为开发临床可用影像深度学习工具的强大基础。

数据基础与任务范围

训练数据

• 整合了来自34个数据集、总计超过 48,900次 脑部MRI扫描。

• 覆盖10种神经类状况，包括：

  • 阿尔茨海默病（10,222次扫描）
  • 痴呆症（2,749次扫描）
  • 中风（3,641次扫描）
  • 帕金森病（547次扫描）
  • 脑癌（包括高级别胶质瘤、胶质母细胞瘤、弥漫性胶质瘤等）
  • 儿童低级别胶质瘤（5,999次扫描）
  • 自闭症谱系障碍（1,099次扫描）
  • 健康对照（14,981次扫描）

可执行任务

• 预测总体脑癌存活率
• 预测痴呆症
• 预测脑龄
• 预测异柠檬酸脱氢酶（IDH）基因突变
• 序列分类
• 预测中风发生时间
• 脑肿瘤分割

意义与未来方向

研究意义

• 创造了目前最大的预训练脑MRI AI基础模型。
• 其灵活性超越了通过监督学习训练的传统、专用的脑MRI AI模型。
• 有望整合到影像分析流程和多模态框架中，促进生物标志物的发现和AI临床转化。

下一步计划

• 探索整合组学数据和临床数据，使模型升级为多模态AI基础模型。
• 进一步提升模型性能。