诊断脑部疾病的AI系统通常需要从零开始构建。若要检测阿尔茨海默病，需开发一套算法；针对脑肿瘤，则需另建一套；分析中风损伤又得重新开始。如今，哈佛医学院研究人员证明存在更优方案。
他们训练出名为BrainIAC的单一AI模型，该模型可适应从早期痴呆筛查到癌症生存期预测等多项任务。同一系统首先通过数万份涵盖多种疾病的脑部MRI扫描自主学习通用解剖结构，随后仅需少量样本即可适配罕见儿科脑肿瘤等特殊场景。
此项突破解决了医学AI领域的重大难题。医院存储着数百万份脑部扫描影像，但因缺乏医生逐帧标注的时间与资金，大部分无法用于AI训练。BrainIAC通过无标注扫描自主学习脑部解剖模式，突破了这一限制。
以医学生培养为例，他们并非通过逐个记忆疾病来学习放射学，而是先掌握正常脑部解剖结构，再识别异常形态。BrainIAC采用相同机制。该模型在《自然神经科学》期刊发表的研究中，分析了来自十种不同疾病患者及健康志愿者的3.2万余份脑部扫描，自主捕捉脑结构、年龄相关变化、中风损伤模式及肿瘤解剖特征等核心表征。
掌握通用脑部解剖知识后，BrainIAC仅需极少量额外训练即可适应新任务。研究人员在七项迥异的医疗挑战中进行测试：识别扫描类型、通过脑结构推测年龄、预测癌症患者生存期、检测脑肿瘤关键基因突变、发现早期痴呆、估算中风发生时间、勾画肿瘤边界。
该模型能完成医生仅凭MRI扫描难以甚至无法实现的任务。例如预测肿瘤是否携带特定基因突变（常规需脑部手术与基因检测），其曲线下面积（AUC）达0.79——对于无法仅凭影像诊断的病症而言，此结果已属优异。首席研究员本杰明·坎恩博士发现，该模型在训练数据稀缺的罕见病领域优势最为显著：仅用50个样本预测基因突变时，AUC达0.68；而从零训练的传统AI系统表现仅略优于随机猜测。
研究团队将测试推向极限：当每类扫描仅有一个样本时会如何？面对全球可能仅影响数百名儿童的超罕见病，他们使用极小数据集进行实验。即使总共只有四个训练样本，BrainIAC对四种扫描类型的分类能力仍优于随机猜测。针对最致命的脑癌之一胶质母细胞瘤，该模型预测患者能否存活超过一年——即便仅用10%的训练数据，其一年生存期预测的AUC仍达0.62；从零训练的系统则退化至近乎抛硬币水平。
这具有根本性意义。全美每年可能仅有50名儿童罹患某种儿科脑癌，根本无法收集万份标注训练样本。BrainIAC的突破意味着研究者能为患者稀少的疾病开发AI工具，而此类场景在当下几乎不可能实现。
该模型甚至能聚焦相关脑区。可视化分析显示：痴呆检测时关注海马体（阿尔茨海默病中萎缩的脑区），衰老相关任务中聚焦白质区域，癌症预测时锁定肿瘤核心。这些注意力图谱与已知神经解剖学一致，表明模型学习的是具有医学意义的特征，而非随机模式。
当前医学AI系统跨机构使用时常遭遇灾难性失败。麻省总医院开发的算法在德克萨斯州医院可能失效，原因包括MRI扫描仪差异、患者群体特征不同，甚至技术人员摆位方式变化。坎恩团队通过多机构扫描数据训练BrainIAC后，测试其在完全不同的医院数据集上的表现。他们还刻意引入对比度偏移、模糊、强度变化等常见技术问题干扰图像。BrainIAC处理噪声的能力优于从零训练或窄域预训练的替代模型，尤其在其他模型性能崩溃的高难度预测任务中表现突出。
BrainIAC目前仅适用于标准结构性MRI扫描——即放射科医生每日查看的基础序列，尚无法处理显示脑活动的功能性MRI或特种扫描。更重要的是，这仍属研究阶段。团队分析了多年积累的扫描数据，但与医生实时决策中的前瞻性测试仍有区别。目前尚不确定该模型能否真正改善患者预后、加速诊断或改变临床治疗选择。
当下每项医学AI项目都在重复造轮子：一个团队耗时两年开发脑肿瘤检测器，另一个团队又花两年研制阿尔茨海默病筛查工具，各自需要独立资金、数据收集与验证流程。基础模型则颠覆此模式——构建理解脑解剖的单一系统后，可快速适配各类医学问题。若需应对新发现疾病？微调基础模型即可；面对年仅30例的罕见儿科癌症？基础模型提供关键起点。
该方法虽不会取代大型医疗中心为单一任务优化的专用AI系统，但能大幅降低为服务不足病症、罕见病及资源匮乏地区开发AI工具的门槛——这些场景根本无法收集海量训练数据。坎恩团队宣布模型与代码已公开供研究使用，意味着其他研究者可在此基础上继续开发。无论BrainIAC本身是否广泛采用，其核心价值在于证明单一AI系统确实能跨越阿尔茨海默病到脑癌等广泛脑成像任务。
【全文结束】
