Дата: Бостон, Массачусетс — 5 февраля 2026 г.

В рамках значительного прогресса в области вычислительной медицины исследователи из Mass General Brigham представили «BrainIAC» — новую базовую модель искусственного интеллекта, предназначенную для трансформации того, как клиницисты анализируют данные магнитно-резонансной томографии (МРТ) головного мозга. Опубликованная сегодня в журнале Nature Neuroscience, эта разработка знаменует собой поворотный переход от узкоспециализированных алгоритмов к универсальным, общим системам ИИ, способным извлекать глубокие неврологические данные из стандартных диагностических сканирований.

Запуск BrainIAC решает одну из самых острых проблем в области медицинского ИИ: дефицит высококачественных наборов данных, размеченных экспертами. Используя самообучение (self-supervised learning) на массивном корпусе из почти 49 000 МРТ-сканов, модель может предсказывать возраст мозга, оценивать риск деменции и прогнозировать показатели выживаемости при раке с беспрецедентной адаптивностью.

Происхождение BrainIAC: новая архитектура для нейровизуализации

На протяжении последнего десятилетия интеграция искусственного интеллекта в радиологию характеризовалась фрагментарностью. Традиционные модели глубокого обучения обучались для выполнения отдельных задач, таких как обнаружение инсульта или сегментация опухоли, что требовало тысяч аннотированных вручную изображений для каждого конкретного применения. Несмотря на эффективность в изолированных условиях, этим моделям не хватало гибкости для адаптации к новым клиническим вопросам без повторного обучения с нуля.

BrainIAC (Brain Imaging Adaptive Core) представляет собой фундаментальный отход от этой парадигмы. Разработанная программой Artificial Intelligence in Medicine (AIM) в Mass General Brigham, система построена как базовая модель (foundation model) — класс ИИ, который изучает широкое представление паттернов данных перед тонкой настройкой для конкретных задач.

Benjamin Kann, MD, из программы AIM и автор исследования, подчеркнул необходимость этого архитектурного сдвига. «Несмотря на недавние успехи в подходах медицинского ИИ, наблюдается нехватка общедоступных моделей, ориентированных на широкий анализ МРТ головного мозга», — заявил Kann. «Большинство традиционных систем выполняют специфические задачи и требуют интенсивного обучения на больших аннотированных наборах данных, которые бывает трудно получить».

Обучение на разнообразии

Надежность BrainIAC обусловлена методологией ее обучения. Модель была обучена и валидирована на разнообразном наборе данных из 48 965 МРТ-сканов головного мозга. В отличие от традиционного обучения с учителем, при котором ИИ подаются пары изображений и меток (например, «это изображение показывает опухоль»), BrainIAC использовала самообучение (self-supervised learning).

В этом процессе модель анализирует неразмеченные изображения, чтобы изучить внутренние особенности анатомии человеческого мозга, патологии и вариации сканеров. Скрывая части изображения и заставляя ИИ предсказывать недостающие фрагменты или обучаясь распознавать, что два разных вида представляют одну и ту же базовую анатомию (контрастивное обучение), BrainIAC разработала сложное семантическое понимание мозга. Эта фаза «предварительного обучения» позволяет модели функционировать в качестве визуального кодировщика, генерирующего надежные представления признаков, которые можно легко адаптировать к прикладным задачам с минимальным количеством дополнительных данных.

Преодоление барьера аннотирования

Основным ограничением, препятствующим масштабируемости ИИ в здравоохранении, был «барьер аннотирования». Курирование медицинских наборов данных требует, чтобы сертифицированные радиологи тщательно очерчивали опухоли или маркировали патологии — процесс, который является дорогостоящим и трудоемким.

BrainIAC обходит это ограничение, обучаясь преимущественно на неразмеченных данных, которые в изобилии имеются в больничных архивах. Как только базовая модель понимает общий язык МРТ-сканов, ей требуется лишь малая часть размеченных примеров, чтобы освоить конкретную диагностическую задачу.

Ключевые технические преимущества:

• Эффективность данных: Достижение высокой производительности в прикладных задачах при значительно меньшем количестве размеченных примеров, чем у моделей, обучаемых с учителем.
• Независимость от сканера: Разнообразные обучающие данные позволяют BrainIAC обобщать информацию от разных производителей МРТ-аппаратов и протоколов визуализации, что является распространенной точкой отказа для устаревших ИИ.
• Извлечение латентных признаков: Модель идентифицирует тонкие, невидимые глазу паттерны в интенсивности пикселей и текстуре, которые коррелируют с биологическими состояниями.

Многогранные диагностические возможности

Универсальность BrainIAC была продемонстрирована на примере превосходных результатов в различных клинических задачах. Исследователи подтвердили эффективность модели в четырех ключевых приложениях, доказав ее способность работать в областях нейродегенерации и онкологии.

Прогнозирование возраста мозга и риска деменции

Одной из наиболее многообещающих возможностей модели является прогнозирование «возраста мозга». Анализируя структурные данные МРТ, BrainIAC оценивает биологический возраст мозга пациента, который затем можно сравнить с его хронологическим возрастом. Значительный разрыв между ними — когда мозг выглядит старше пациента — является мощным биомаркером нейродегенеративного снижения.

Кроме того, модель показала высокую точность в прогнозировании риска деменции и классификации умеренных когнитивных нарушений (MCI). Раннее выявление MCI имеет решающее значение для ведения пациентов, так как оно открывает окно для терапевтического вмешательства до начала необратимой болезни Альцгеймера.

Онкологическая точность: мутации и выживаемость

В области нейроонкологии BrainIAC продемонстрировала способность распознавать молекулярные особенности непосредственно по данным визуализации. Модель успешно классифицировала мутации IDH (изоцитратдегидрогеназы) в опухолях головного мозга. Определение статуса мутации глиомы обычно требует инвазивной биопсии тканей и геномного секвенирования. Способность BrainIAC неинвазивно предсказывать этот статус по МРТ может упростить планирование лечения и снизить риски для пациентов.

Кроме того, модель оказалась эффективной в прогнозировании общих показателей выживаемости пациентов с раком мозга (глиомами). Синтезируя сложные визуальные признаки, связанные с формой, объемом и текстурой опухоли, BrainIAC предлагает клиницистам более точный прогностический инструмент, чем современные методы клинического стадирования.

Сравнительный анализ производительности

Чтобы подтвердить эффективность, команда Mass General Brigham сравнила BrainIAC с существующими современными методами, включая модели, обучаемые с нуля, и другие предварительно обученные медицинские сети, такие как MedicalNet.

В каждой протестированной категории BrainIAC продемонстрировала превосходные или эквивалентные результаты, требуя при этом меньше размеченных данных. Она была особенно эффективна в сценариях «low-shot» обучения, где было доступно лишь несколько аннотированных примеров — обычная ситуация при исследовании редких заболеваний.

В следующей таблице приведены структурные и функциональные различия между BrainIAC и традиционными подходами к медицинскому ИИ:

Таблица 1: Сравнение BrainIAC и традиционных контролируемых моделей ИИ

Значение для клинических рабочих процессов

Внедрение базовых моделей, таких как BrainIAC, сигнализирует о переходе к концепции «ИИ как партнер» в клинических условиях. Вместо развертывания десятков разрозненных алгоритмов — одного для инсульта, другого для опухолей, третьего для атрофии — больницы вскоре смогут использовать единый центральный интеллект, способный обеспечить целостную оценку нейронного здоровья пациента.

«Интеграция BrainIAC в протоколы визуализации может помочь клиницистам лучше персонализировать и улучшить уход за пациентами», — отметил доктор Kann. Видение заключается в том, чтобы BrainIAC работала в фоновом режиме радиологических процессов. Когда пациент проходит стандартную МРТ из-за головной боли, модель может автономно выполнять фоновую проверку на признаки ускоренного старения, ранние маркеры деменции или скрытые патологии, отмечая аномалии, которые в противном случае могли бы остаться незамеченными.

Ускорение открытия биомаркеров

Помимо непосредственной диагностики, BrainIAC служит мощным двигателем для исследований. Ее способность извлекать многомерные признаки из изображений позволяет исследователям сопоставлять данные визуализации с геномными и клиническими результатами способами, которые ранее были невозможны. Это может привести к открытию цифровых биомаркеров — визуальных признаков заболевания, которые предшествуют клиническим симптомам.

Например, успех модели в прогнозировании показателей выживаемости предполагает, что она улавливает гетерогенность опухоли и факторы микросреды, которые в настоящее время не фиксируются в стандартных радиологических отчетах.

Будущие перспективы и доступность

Публикация BrainIAC в Nature Neuroscience сопровождается приверженностью принципам открытой науки. Mass General Brigham сделала код доступным через GitHub и создала интерактивные демо-версии на Hugging Face, позволяя мировому исследовательскому сообществу тестировать модель на своих собственных наборах данных.

Ожидается, что такой подход с открытым доступом ускорит совершенствование модели. Внешняя валидация другими учреждениями будет иметь решающее значение для обеспечения справедливости и точности модели в различных популяциях мира.

Поскольку медицинская визуализация продолжает переходить в цифровую форму, огромный объем генерируемых данных превышает человеческие возможности для анализа. Инструменты вроде BrainIAC нацелены не на замену радиологов, а на расширение их возможностей, превращая каждый пиксель МРТ-скана в потенциальную точку данных для спасения жизней. Эра универсального медицинского ИИ наступила, а вместе с ней и надежда на более глубокое и прогностическое понимание человеческого мозга.

Исследование было поддержано финансированием со стороны Национальных институтов здравоохранения и Национального института рака, что подчеркивает жизненно важную роль государственного финансирования в стимулировании высокотехнологичных медицинских инноваций. По мере того как BrainIAC переходит из лаборатории к потенциальным клиническим испытаниям, индустрия здравоохранения будет внимательно следить за тем, сможет ли потенциал базовых моделей трансформироваться в ощутимое улучшение выживаемости и качества жизни пациентов.