人工智能（AI）系统是可以学习识别数据模式、做出准确预测或生成内容（例如文本、图像、视频或录音）的计算模型。这些模型能够可靠地完成各种任务，如今也被用于开展不同领域的研究。
过去几十年中，一些AI模型在特定疾病或神经精神疾病的早期诊断和研究方面展现出了潜力。例如，通过分析利用磁共振成像（MRI）这一无创技术采集的大量脑部扫描数据，AI可以揭示与肿瘤、中风和神经退行性疾病相关的模式，从而帮助诊断这些疾病。
马萨诸塞州总医院布里格姆分院、哈佛医学院及其他研究所的研究人员最近开发了脑成像自适应核心（BrainIAC）模型，这是一个基于海量MRI数据预训练的大型AI系统，可以适应不同的任务。这一基础模型，在《自然·神经科学》杂志上发表的一篇论文中介绍，被发现优于许多为完成特定医学或神经科学任务而训练的模型。
“美国每年进行的数百万次脑部MRI扫描中蕴藏着海量数据，”该论文的资深作者Benjamin H. Kann告诉Medical Xpress。“通常，这些扫描由人类出于特定原因进行分析，但这只是扫描可能告诉我们关于患者的故事的表面。借助AI和先进的计算成像技术，我们可以从这些扫描中解锁比以往更多的信息——这可能产生强大、临床有用的方法，用于追踪各种急性和慢性疾病（从中风到癌症再到痴呆症），并预测患者未来的风险。”
BrainIAC基础模型
Kann及其同事开发的通用模型BrainIAC是在总共48965份使用MRI采集的脑部成像扫描数据上预训练的。该模型通过一种称为自监督学习的方法进行训练，这种方法允许模型从大部分未标记的数据中学习模式。通过这种广泛的训练，模型获得了关于人脑结构及其组织模式的底层信息。在初步预训练之后，该模型可以适应于根据患者的MRI扫描来检测或研究特定疾病和神经精神疾病的进展。
“这种‘预训练’使用了所谓的对比学习，这使得它不同于大多数MRI AI算法——那些算法只是训练模型预测单一事物，”Kann解释道。“利用这种核心基线知识，该工具可以适应识别各种脑部疾病，确定它们的严重程度，并预测这些疾病的未来风险。”
作为研究的一部分，研究人员调整了他们的模型，并评估了它检测各种疾病的能力，包括阿尔茨海默病、自闭症、痴呆、脑肿瘤、帕金森病和中风。引人注目的是，他们发现该模型能够以良好的准确度预测大多数这些疾病，并且可以轻松适应每种疾病，只需要很少的额外训练。
“当将此模型与在单一任务上训练的其他模型进行比较时，该模型有时需要的训练数据少达10倍，就能达到同样甚至更好的性能，这比专为单一任务设计的训练模型还要优秀，”Kann说。“这意味着该模型可以作为预测多种不同类型脑部疾病的基线。”
医学和神经科学研究的有前景工具
未来，可以对BrainIAC模型进行进一步改进，并在更大的MRI数据池上进行预训练。此外，它还可能激发开发其他基于其他类型成像数据（如计算机断层扫描、高分辨率显微镜图像、视网膜图像、超声记录以及特定器官其他部位的扫描）训练的基础AI模型。
“我们认为，该算法可以帮助研究人员和临床医生将AI用于多种不同类型的脑部疾病，而这些疾病由于可用数据量有限，以前是不可行的，”Kann说。
BrainIAC算法是开源的，可在专用网站上获取。其他研究小组已经开始使用该模型来研究各种与大脑相关的疾病，检测它们的出现并追踪它们的进展。
“我们已经收到了很多兴趣，正在与多个小组合作，研究BrainIAC在阿尔茨海默病、创伤性损伤等多种脑部疾病中的应用，”Kann补充道。
图片：BrainIAC平台，可供研究社区访问。图片来源：Nature Neuroscience (2026). DOI: 10.1038/s41593-026-02202-6
图片：BrainIAC算法的一个样本输出，显示算法在试图确定脑肿瘤突变状态时‘关注’的区域。图片来源：Nature Neuroscience (2026). DOI: 10.1038/s41593-026-02202-6
出版信息：Divyanshu Tak 等人，一种用于分析人脑MRI的通用基础模型，Nature Neuroscience (2026). DOI: 10.1038/s41593-026-02202-6。
访问BrainIAC算法。
期刊信息：Nature Neuroscience
【全文结束】