深入探讨AI基础模型在脑部MRI中的潜力
作者：Jeff Hall
在最近的一次采访中，Benjamin Kann医学博士讨论了一项新研究，该研究突显了AI基础模型从脑部MRI扫描中获取各种诊断和预后数据的能力。
一种新兴的AI基础模型能否为脑部磁共振成像（MRI）提供一系列诊断和预后应用？
在最近发表在《自然神经科学》（Nature Neuroscience）上的一项新研究中，研究人员开发并比较了基础模型Brain Imaging Adaptive Core（BrainIAC）与公开可用的领域内AI基础模型MedicalNet、BrainSegFounder和Scratch在多种应用中的表现，包括脑年龄预测、异柠檬酸脱氢酶（IDH）突变检测和中风时间预测。根据该研究，BrainIAC模型利用自我监督学习，在48,965个脑部MRI扫描上进行了训练和验证。
在最近接受《Diagnostic Imaging》采访时，该研究的合著者Benjamin Kann医学博士讨论了这项研究的动机以及AI基础模型优化从脑部MRI扫描中获取数据量的潜力。
"我们每年为这些患者获取数百万次扫描，但有很多数据被搁置未用，"哈佛医学院放射肿瘤学副教授Kann博士指出。
"……我们感觉，正如我们看到大型语言模型推出许多基础模型一样，在MRI等主要生物医学成像方式中，基于视觉的基础模型确实可以发挥作用。这样你可以教模型了解脑部MRI结构的基本知识，然后利用这些知识，只需更少的标记数据案例，就能开发出一个强大的模型，能够适应许多不同情况。"
研究作者发现，BrainIAC模型在预测年龄与实际年龄之间的平均绝对误差（MAE）最低（6.55年），中风时间预测的平均绝对误差最低（38.87天），以及在低级别胶质瘤患者的IDH突变预测中AUC最高（79%）。
"……关于临床影响，我认为当我们谈论突变、脑肿瘤预测或痴呆或中风发展预测时，这些是非常强大的信息。我认为我们仅从患者的常规脑部MRI中就能为患者提供这些信息，并真正从这些MRI中挖掘出大量数据和临床见解，而这些是我们以前无法解锁的。我认为像BrainIAC和其他基础模型这样的模型将在各种场景中降低实现这一目标的门槛，"Kann博士表示。他是Mass General Brigham和哈佛医学院医学人工智能项目的教员。
（编辑注：有关相关内容，请参阅"更新的基于MRI的AI软件提供脑转移瘤和脑膜瘤的自动分割和体积报告"、"MRI衍生的脂肪量化与神经影响：新兴研究揭示了什么"以及"FDA批准用于评估脑转移瘤的基于MRI的AI软件"。）
【全文结束】
