新AI工具可预测脑年龄痴呆风险及癌症生存率
马萨诸塞州总医院布里格姆医疗中心通讯
2026年2月5日 阅读时间3分钟
与其他AI模型不同，BrainIAC仅需有限数据即可识别关键神经系统健康指标
据哈佛附属马萨诸塞州总医院布里格姆医疗中心的研究人员称，一种新的AI基础模型已被开发出来，该模型能够从常规脑部MRI中准确提取多种疾病风险信号，包括：估算个体的“脑年龄”；预测痴呆风险；检测脑肿瘤突变；以及预测脑癌生存率。
该模型名为脑成像自适应核心（Brain Imaging Adaptive Core, BrainIAC），使用近49,000次脑部MRI扫描进行训练。该工具的表现优于其他更特定任务的AI模型，尤其在训练数据有限时效率更高。
研究结果发表在《自然-神经科学》期刊上。
研究人员指出，尽管医学AI方法近期取得进展，但缺乏专注于广泛脑部MRI分析的公开可用模型。大多数传统框架执行特定任务，需要大量标注数据集进行广泛训练，而这些数据集可能难以获取。此外，来自不同机构的脑部MRI图像在外观上可能有所不同，并基于其预期应用（如神经学与肿瘤学护理），使得AI框架难以从中学习相似信息。
为解决这些局限，BrainIAC使用一种称为自监督学习的方法，从无标注数据集中识别固有特征，然后可适应各种应用。在多个脑部MRI成像数据集上预训练该框架后，研究人员在48,965次多样化的脑部MRI扫描上验证了其在七种不同临床复杂性任务中的性能。
研究人员发现，BrainIAC能够成功地将学习泛化到健康和异常图像上，并随后将其应用于相对简单的任务（如分类MRI扫描类型）和极具挑战性的任务（如检测脑肿瘤突变类型）。该模型在这些应用及其他方面也优于三种更传统的特定任务AI框架。
作者指出，当训练数据稀缺或任务复杂性高时，BrainIAC尤其擅长预测结果，这表明该模型可以很好地适应现实世界场景，因为在这些场景中标注的医学数据集并不总是 readily available。需要进一步研究在其他脑成像方法和更大数据集上测试该框架。
MGB人工智能医学计划通讯作者本杰明·坎恩（Benjamin Kann）及哈佛医学院放射肿瘤学副教授表示：“BrainIAC有潜力加速生物标志物发现、增强诊断工具并加快AI在临床实践中的采用。将BrainIAC整合到成像协议中，可以帮助临床医生更好地个性化和改善患者护理。”
本研究部分得到了美国国立卫生研究院/国家癌症研究所和Botha-Chan低级别胶质瘤联盟的支持。
【全文结束】
