来源ScienceAI 本文约2000字建议阅读5分钟 一个专为脑 MRI 设计的基础模型通过自监督学习在海量多参数 MRI 数据上预训练然后在多个下游任务中展现出卓越的适应性和泛化能力。AI 凭借其高效的学习能力在过去几十年里在早期诊断和研究特定疾病或神经精神疾病的方面展现出了前景。举个例子来说通过使用分析磁共振成像MRI收集的大量脑部扫描数据AI 能够发现与肿瘤、中风和神经退行性疾病相关的模式从而有助于诊断这些疾病。但在临床方面临床转化长期受困于一个核心矛盾高质量的标注数据稀缺且昂贵而不同中心、不同扫描仪、不同序列采集的海量未标注数据却「沉睡」在各地。如何唤醒这些数据让模型能从中学到泛化能力强的特征是突破瓶颈的关键。来自麻省总医院布赖厄姆医院、哈佛医学院Mass General Brigham, Harvard Medical School等研究所的成员给出了一个强有力的答案——BrainIACBrain Imaging Adaptive Core。这是一个专为脑 MRI 设计的基础模型通过自监督学习在海量多参数 MRI 数据上预训练然后在多个下游任务中展现出卓越的适应性和泛化能力。图 1BrainIAC 官网。相关的研究以「A generalizable foundation model for analysis of human brain MRI」为题于 2026 年 2 月 5 日发布在《Nature Neuroscience》。论文链接https://www.nature.com/articles/s41593-026-02202-6为脑 MRI「量身定制」的预训练策略在当下脑 MRI AI 系统面临几个结构性问题。不同研究中心使用不同的协议这导致数据较为分散而结构与功能联合建模的困难也带来了模态分离的现状模型的高度专业化也进一步指向任务专用化的问题。为了涵盖多模态的庞大数据源研究团队采用自监督学习SSL对共计 48,965 次 MRI 成像扫描进行了预训练 。BrainIAC 的预训练数据涵盖了 T1 加权、T2 加权、T1 增强T1CE、FLAIR 这四种主要序列使其能学习到跨序列的、与采集协议无关的通用特征表示。图 2研究概述。研究者们对比了三种主流的自监督学习框架与骨干网络组合——SimCLR-ResNet50、SimCLR-ViT-B 和 MAE-SwinViT在全部七个下游任务上评估其小样本K1 和 K5适应能力。结果显示基于 Vision TransformerViT的 SimCLR-ViT-B 表现最为稳定和优异最终被选定为 BrainIAC 的骨干网络。ViT 的全局注意力机制可能更适合捕捉脑 MRI 中复杂的、非局部的解剖结构关系。图 3下游应用性能比较。评估训练BrainIAC 在七个涵盖不同难度和临床场景的任务上与三种基线模型进行了全方位比较从头训练的监督学习模型Scratch、医学影像预训练模型MedicalNet和分割专用基础模型BrainSegFounder。评估维度包括不同数据比例下的微调性能、小样本学习能力和线性探测。MRI序列分类这是一个基础的「上游」任务但在实际临床中由于扫描协议混乱或元数据缺失实际环境对自动分类并不友好。在仅有 10% 训练数据时BrainIAC 的平衡准确率BA达到 90.8%远高于 MedicalNet 的 74.2% 和 Scratch 的 79.0%。直到数据量增加到60%其他模型才勉强追上。脑龄预测这是一个经典的回归任务旨在用 MRI 预测个体年龄偏差可作为神经退行性疾病的早期标志。在外部测试集上仅用 20% 训练数据时BrainIAC 的平均绝对误差MAE为 6.55 年。此外对 BrainIAC 提取的潜特征进行 t-SNE 可视化发现其能清晰地按年龄组聚类。IDH 突变预测这是最具挑战性的任务之一对无法手术的患者意义重大。由于总数据量本身就很少BrainIAC 的优势被放大。在 50% 训练数据时其 AUC 达到 0.85显著优于 MedicalNet0.78和 Scratch0.68。这直接证明了基础模型在极度稀缺数据场景下的核心价值。图 4BrainIAC 脑年龄预测表现。极端小样本下的强大模型在每类仅 1 个样本这样的极端小样本场景下BrainIAC 在所有任务上的性能下降幅度最小。这归功于预训练阶段学到的强大特征使其能快速从极少量新样本中「举一反三」。BrainIAC 证明了针对 3D 脑 MRI结合对比学习与 Vision Transformer 的预训练策略可以学习到高度泛化、相关的特征表示。它为低资源场景罕见病、新任务提供了开箱即用的解决方案极大地降低了开发临床 AI 工具的门槛和数据成本。作为开源算法其他研究团队已经开始使用该模型研究各种脑部相关疾病检测其出现并追踪其进展。相关链接https://medicalxpress.com/news/2026-02-foundation-ai-mri-multiple-brain.html算法链接https://www.brainiac-platform.com/编辑文婧关于我们数据派THU作为数据科学类公众号背靠清华大学大数据研究中心分享前沿数据科学与大数据技术创新研究动态、持续传播数据科学知识努力建设数据人才聚集平台、打造中国大数据最强集团军。新浪微博数据派THU微信视频号数据派THU今日头条数据派THU