当临床医生面对成千上万份未标注的脑部MRI扫描时，一个核心矛盾始终存在：罕见疾病数据稀缺与AI模型"饥饿"之间的鸿沟。传统监督学习需要海量精细标注，而自监督学习（SSL）正改写这一规则——让AI从数据本身学习内在规律。BrainIAC应运而生，这款基于对比学习的3D视觉Transformer基础模型，在48,965例多参数脑MRI上完成预训练，并在七大临床任务中展现惊人适应力。从区分T1与T1CE序列的微妙差异，到仅凭影像预测IDH突变状态和患者生存期，BrainIAC在低数据场景下的表现尤为突出：仅用1%标注数据即可超越传统全量训练模型。这不仅是一次技术迭代，更是向"一个模型，多种任务"的临床实用化AI迈出的关键一步。深度学习虽已在医疗多模态数据整合中展现变革潜力，但标注数据稀缺性——特别是脑MRI等昂贵采集手段涉及的罕见疾病场景——构成临床转化的关键瓶颈。然而通过从大规模未标注数据中提取内在表征，实现从任务特定学习向通用任务无关学习的转型，为基础模型发展奠定方法论基础。尽管该技术在计算机视觉与自然语言处理领域已获验证，但三维脑MRI因其独特复杂性——包括多序列采集协议异质性、扫描仪参数变异性、跨年龄段及病理谱系的结构差异——仍构成专门化挑战

2026年2月5日，Nature子刊（IF=20.0）上发表了一篇题为“A generalizable foundation model for analysis of human brain MRI”的文章，该文献探讨了一款面向脑MRI分析的通用基础模型展开研究。BrainIAC采用自监督对比学习（SimCLR）在48,965份多参数脑MRI上进行预训练，学习可迁移的通用特征表示，可作为多种下游任务的核心基础。研究评估了七类临床相关任务，包括MRI序列分类、脑年龄预测、轻度认知障碍检测、脑肿瘤总体生存预测、IDH突变预测、脑中风时间预测以及成人胶质瘤分割。实验结果显示，在少量数据和极低标注场景下，BrainIAC均显著优于传统局部监督训练、MedicalNet和BrainSegFounder等预训练模型，表现稳定且鲁棒。模型在高难度任务中同样表现出较强适应性，且通过显著性图可视化，其关注区域与生物学可解释性高度一致。总体而言，BrainIAC为脑MRI表征学习提供了一个通用、可扩展且高效的基础框架，为神经疾病早期诊断、预后分析和个性化影像应用奠定了技术基础，同时展示了基础模型在医学影像分析领域的广泛潜力。

人工智能系统是能够学习识别数据模式、做出准确预测或生成内容的计算模型。这些模型能够可靠地完成各种任务，现在也被用于不同领域的研究。在过去几十年里，一些人工智能模型在早期诊断和研究特定疾病或神经精神疾病方面展现出了前景。

研究人员最近开发了脑成像自适应核心（Brain Imaging Adaptive Core，简称 BrainIAC），这是一个大型人工智能系统，预训练于庞大的 MRI 数据池，可适应不同任务，其优于许多专门训练完成特定医学或神经科学相关任务的模型。

研究人员表示：“通常扫描图仅因特定目的由人类分析，但这仅揭示了扫描图所能传递的患者信息冰山一角。借助人工智能和先进计算成像技术，我们能从扫描图中挖掘出前所未有的海量信息——这可能催生出强效且具有临床价值的方法，用于追踪从中风、癌症到痴呆症等各类急慢性疾病，并预测患者未来患病风险。”

图1 研究概述

研究人员对共 48,965 次 MRI 扫描进行预训练。该模型通过一种称为自监督学习的方法训练，允许模型从大多数未标注的数据中学习模式。通过这种广泛的训练，模型获得了关于人脑结构及其组织模式的信息。经过初步预训练后，模型可以被调整用于检测或研究患者 MRI 扫描中特定疾病和神经精神疾病的进展。

研究员解释道:"这种'预训练'，采用了所谓的对比学习 ，区别于大多数仅训练模型预测单一事物的 MRI AI 算法。”利用这些核心基线知识，工具可以被调整用于识别各种脑部疾病，确定其严重程度，并预测这些疾病带来的未来风险。"

图2 卡普兰-迈尔生存曲线与肿瘤分割可视化

作为研究的一部分，研究人员调整了模型，评估其检测多种疾病的能力，包括阿尔茨海默病 、自闭症、痴呆症、脑肿瘤、帕金森病和中风。令人惊讶的是，他们发现模型能够较高精度地预测大多数这些疾病，并且能够轻松适应每种疾病，几乎不需要额外训练。

研究人员说：“当该模型与其他单一任务训练模型进行比较时，它有时需要的训练数据比单一任务设计的训练模型少10倍，甚至更少。”“这意味着该模型可以作为预测多种不同类型脑部疾病的基线。”

图3 扰动性能比较

未来，BrainIAC模型可能会进一步改进，并对更大的 MRI 数据池进行预训练。此外，它还可能激发基于其他类型成像数据训练的基础 AI 模型的发展，如计算机断层扫描（CT）、高分辨率显微镜图像、视网膜图像、超声记录以及特定器官其他部位的扫描。研究人员表示这个算法可以帮助研究人员和临床医生利用人工智能应对许多以前因有限数据而难以实现的脑部疾病。

图4 脑智能核心架构及下游模型的显著性图可视化

BrainIAC不仅提供了脑MRI分析的通用基础，也为基础模型在临床神经影像学研究中的长期发展指明了方向。

参考文献

Tak, D., Garomsa, B.A., Zapaishchykova, A. et al. A generalizable foundation model for analysis of human brain MRI. Nat Neurosci (2026).

资讯来源

https://medicalxpress.com/news/2026-02-foundation-ai-mri-multiple-brain.html

编译：李佳骏

审核：薛晓萌