日期：馬薩諸塞州波士頓 — 2026年2月5日

在計算醫學領域的一次重大飛躍中，來自 Mass General Brigham 的研究人員揭曉了「BrainIAC」，這是一種新型人工智能基礎模型，旨在改變臨床醫生分析大腦磁振造影（MRI）數據的方式。今日發表於《Nature Neuroscience》的這項進展，標誌著從狹窄、特定任務的演算法，向多功能、通用型人工智能系統的關鍵轉變，後者能夠從標準影像掃描中提取深刻的神經科學見解。

BrainIAC 的推出解決了醫療人工智能中最持久的瓶頸之一：高質量、專家標註數據集的稀缺。藉由在近 49,000 份 MRI 掃描的大型語料庫上利用自我監督學習，該模型可以以前所未有的適應性預測大腦年齡、評估失智症風險並預測癌症存活率。

BrainIAC 的誕生：神經影像學的新架構

在過去的十年間，人工智能融入放射學的特點是碎片化。傳統的深度學習模型被訓練用於執行單一任務——例如檢測中風或分割腫瘤——每個特定應用都需要數以千計的人工標註圖像。雖然在孤立狀態下有效，但這些模型缺乏在不從頭開始重新訓練的情況下適應新臨床問題的靈活性。

BrainIAC（Brain Imaging Adaptive Core，腦影像適應性核心）代表了對這一範式的根本背離。該系統由 Mass General Brigham 的醫學人工智能（AIM）計劃開發，被構建為一個基礎模型（foundation model）——這是一類人工智能，在針對特定任務進行微調之前，先學習數據模式的廣泛表徵。

AIM 計劃的 Benjamin Kann 醫學博士，也是該研究的通訊作者，強調了這種架構轉變的必要性。「儘管近期醫療人工智能方法有所進展，但缺乏專注於廣泛、brain MRI 分析的公開模型，」Kann 表示。「大多數傳統框架執行特定任務，且需要使用難以獲得的大型標註數據集進行廣泛訓練。」

多元化訓練

BrainIAC 的穩健性源於其訓練方法。該模型在包含 48,965 份大腦 MRI 掃描的多元數據集上進行了訓練和驗證。與餵給人工智能圖像與標籤配對（例如「此圖像顯示腫瘤」）的傳統監督學習不同，BrainIAC 利用了自我監督學習。

在此過程中，模型分析未標註的圖像，以學習人類大腦解剖結構、病理學和掃描儀差異的內在特徵。透過遮蓋圖像的部分內容並強迫人工智能預測缺失部分，或透過學習識別兩個不同的視角代表相同的潛在解剖結構（對比學習），BrainIAC 發展出了對大腦複雜且語義化的理解。這個「預訓練」階段使模型能夠充當視覺編碼器，生成穩健的特徵表徵，這些表徵可以輕鬆地以極少的額外數據適應下游應用。

突破標註瓶頸

阻礙**Healthcare AI** 擴展性的主要限制一直是「標註瓶頸」。策劃醫療數據集需要經過認證的放射科醫生辛勤地勾勒腫瘤或標註病理，這一過程既昂貴又耗時。

BrainIAC 透過主要從醫院存檔中大量存在的未標註數據進行學習，繞過了這一點。一旦基礎模型理解了 MRI 掃描的一般語言，它只需要一小部分標註示例即可掌握特定的診斷任務。

關鍵技術優勢：

• 數據效率： 以比監督模型少得多的標註示例，在下游任務上實現高效能。
• 掃描儀不可知性： 多元的訓練數據使 BrainIAC 能夠跨越不同的 MRI 機器製造商和影像協議進行泛化，這是傳統人工智能常見的失敗點。
• 潛在特徵提取： 該模型識別像素強度和紋理中與生物狀態相關、但對肉眼不可見的細微亞視覺模式。

多方面的診斷能力

BrainIAC 的多功能性透過其在一系列不同臨床任務中的卓越表現得到了證明。研究人員在四個關鍵應用中驗證了該模型，證明了其跨越神經退行性疾病和腫瘤學領域的能力。

預測大腦年齡與失智風險

該模型最有前景的能力之一是「大腦年齡」預測。透過分析結構性 MRI 數據，BrainIAC 估計患者的生物大腦年齡，隨後可與其實際年齡進行比較。兩者之間的顯著差距（即大腦看起來比患者老）是神經退行性衰退的強力生物標誌物。

此外，該模型在預測失智症風險和分類輕度認知障礙（MCI）方面顯示出極高的準確性。早期檢測 MCI 對於患者管理至關重要，因為它在不可逆的阿茲海默症發作之前，為治療干預提供了窗口。

腫瘤精準醫療：突變與存活

在神經腫瘤學領域，BrainIAC 展示了直接從影像數據辨別分子特徵的能力。該模型成功分類了大腦腫瘤中的 IDH（異檸檬酸脫氫酶）突變。確定神經膠質瘤的突變狀態通常需要侵入性組織活檢和基因組測序。BrainIAC 從 MRI 中非侵入性地預測此狀態的能力，可以簡化治療計劃並降低患者風險。

此外，該模型證明在預測腦癌（神經膠質瘤）患者的總體存活率方面非常有效。透過綜合與腫瘤形狀、體積和紋理相關的複雜影像特徵，BrainIAC 為臨床醫生提供了比現行臨床分期方法更細緻的預後工具。

效能對比分析

為了驗證其效能，Mass General Brigham 團隊將 BrainIAC 與現有的最先進方法進行了比較，包括從頭開始訓練的監督模型以及其他預訓練醫療網絡（如 MedicalNet）。

在所有測試類別中，BrainIAC 在需要較少標註數據的情況下，展現了卓越或相當的性能。它在「少樣本」（low-shot）學習場景中特別有效，即僅有少量標註示例可用時——這是罕見疾病研究中的常見場景。

下表概述了 BrainIAC 與傳統醫療人工智能方法之間的結構與功能差異：

表 1：BrainIAC 與傳統監督式人工智能模型之比較

對臨床工作流程的影響

引入像 BrainIAC 這樣的**Foundation Models** 預示著臨床環境向「人工智能作為合伴」的轉變。醫院可能很快就會部署一個能夠對患者神經健康進行全面評估的單一中央智能，而不是部署數十個脫節的演算法（中風一個、腫瘤一個、萎縮一個）。

「將 BrainIAC 整合到影像協議中可以幫助臨床醫生更好地個性化並改進患者照護，」Kann 博士指出。其願景是讓 BrainIAC 在放射學工作流程的背景中運行。當患者因頭痛接受標準 MRI 時，模型可以自主進行背景檢查，尋找加速老化、早期失智標誌或隱形病理的跡象，標記出可能被忽視的異常。

加速生物標誌物發現

除了立即診斷之外，BrainIAC 還可作為強大的研究引擎。它從圖像中提取高維特徵的能力，使研究人員能夠以前所未有的方式將影像數據與基因組和臨床結果聯繫起來。這可能導致數位生物標誌物的發現——即早於臨床症狀出現的疾病視覺特徵。

例如，該模型在預測存活率方面的成功表明，它正在捕捉目前標準放射學報告尚未涵蓋的腫瘤異質性和微環境因素。

未來展望與獲取方式

BrainIAC 在《Nature Neuroscience》上的發表伴隨著對開放科學的承諾。Mass General Brigham 已透過 GitHub 提供代碼，並在 Hugging Face 上建立了交互式演示，允許全球研究社群在自己的數據集上測試該模型。

這種開放獲取的方法預計將加速模型的改進。外部驗證對於確保模型在不同全球人群中的公平性和準確性至關重要。

隨著**Medical Imaging** 持續數位化，生成的數據量之大已超過了人類的分析能力。像 BrainIAC 這樣的工具並非旨在取代放射科醫生，而是增強他們的能力，將 MRI 掃描的每個像素轉化為挽救生命的潛在數據點。通用型醫療人工智能的時代已經到來，隨之而來的是對人類大腦更深入、更具預測性理解的承諾。

該研究得到了美國國家衛生研究院和國家癌症研究所的資金支持，強調了公共資金在推動高風險醫療創新方面的關鍵作用。隨著 BrainIAC 從實驗室走向潛在的臨床試驗，醫療保健行業將密切關注基礎模型的承諾是否能轉化為患者存活率和生活質量的實質性改善。