脑部健康对实现长寿健康生活至关重要。因此，及早发现并可能预防痴呆、脑部衰老和脑癌等脑部健康问题具有极其重要的意义。
麻省总医院布里格姆的研究人员开发出一种新型人工智能模型，该模型基于近4.9万份脑部核磁共振扫描数据训练而成，旨在帮助医生更精准地预测和检测痴呆风险、脑龄及脑肿瘤基因突变等健康隐患。研究人员相信，同时分析海量数据将大幅提升医生识别、预测和治疗脑部疾病的能力。这项关于新型AI工具的研究近日发表在《自然神经科学》期刊上。
BrainIAC是什么？
麻省总医院布里格姆团队开发的AI工具名为"脑成像自适应核心"（Brain Imaging Adaptive Core, BrainIAC）。
麻省总医院布里格姆人工智能医学项目教员、本研究通讯作者本杰明·坎恩博士向《医疗新闻今日》表示："BrainIAC是一种基于数万份脑部核磁共振扫描训练而成的人工智能基础模型，旨在理解大脑结构。"
这位同时担任布莱根妇女医院、达纳-法伯癌症研究所及哈佛医学院放射肿瘤学副教授的专家补充道："依托这一核心基准知识，该工具可适配于识别各类脑部疾病、判定其严重程度并预测未来疾病风险。"
"美国每年进行数百万次脑部核磁共振扫描，其中蕴藏着海量数据，"坎恩继续解释，"通常这些扫描仅因特定原因由人工分析，但这仅触及扫描所能揭示的患者健康信息的表层。借助人工智能与先进计算成像技术，我们能从这些扫描中解锁前所未有的丰富信息——这或将催生强有力的临床实用方法，用于追踪中风、癌症、痴呆等多种急慢性疾病，并预测患者未来风险。"
AI模型可预测痴呆风险与脑癌生存率
通过研究，研究人员在近4.9万份多样化的脑部核磁共振扫描上验证了BrainIAC的性能。结果表明，该AI模型能够分析核磁共振扫描以识别脑龄、预测痴呆风险、检测脑肿瘤变异并预判脑癌生存率。
坎恩解释："这些问题的识别将指导临床医生和患者采取何种治疗或预防措施以降低未来风险，最终提升生活质量和生存率。例如，预测出高痴呆风险将警示医生启动患者干预方案，包括体育锻炼、认知训练及血管/代谢风险管理，以最大限度降低风险。"
"若检测到特定脑肿瘤基因突变的患者，可能符合针对该突变的靶向治疗条件，从而改善疾病控制效果。"
面向研究用途的开源工具
坎恩团队还发现，BrainIAC的表现优于其他任务特异性AI模型，尤其在训练数据有限时仍保持高效。
"开发精准、稳健且可临床转化的医疗影像AI模型的最大挑战，在于缺乏大型规范标注数据集——这些数据通常分散在各医院孤岛式数据库中，需大量人工整理，"坎恩指出，"通过BrainIAC，我们证明：当使用易大量获取的未标注数据进行预训练后，模型能建立核心知识基础，使特定任务所需的标注数据量大幅减少。这为仅需少量标注数据的核磁共振模型打开了大门。"
"例如，临床团队可用小型数据集将BrainIAC适配至本机构，用于预测癌症控制效果、痴呆风险，甚至本研究未涵盖的任务如多发性硬化症进展或颅内出血——无需获取难以实现的数千份标注扫描，"他补充道，"我们已收到大量研究机构关于如何将BrainIAC适配至各类脑部核磁共振应用的咨询。"
坎恩表示，团队已将当前版本的BrainIAC作为开源工具供研究使用，"未来我们计划持续优化模型并将其应用扩展至更多脑部疾病。"
当前临床实践尚未提取脑部核磁共振的大量信息
《医疗新闻今日》采访了加州托伦斯圣母玛利亚小公司医院神经外科主任兼首席医师、认证神经外科医生瓦拉万·西瓦库马尔博士。他对该研究持谨慎乐观态度，特别指出："真正引人注目的是其训练方式——BrainIAC通过48,965份多样化脑部核磁共振扫描的自监督学习，解决了当前临床AI的历史性缺陷：这些模型在学术环境中表现良好，却难以适用于真实世界的异质化场景。"
"我仍惊讶于单一基础模型能跨多个任务实现泛化，包括脑部衰老、痴呆风险、肿瘤生物学及生存率预测，"他继续道，"这在标注数据有限的临床场景中尤为突出——研究表明当训练数据仅剩10%时，BrainIAC仍表现卓越。相比为每个临床问题开发独立窄域算法，这种方案更具现实可行性。"
西瓦库马尔强调，研究人员需持续探索脑部核磁共振数据集的新分析方法，"常规临床实践中，大量脑部核磁共振信息尚未被提取。临床医生虽擅长模式识别，但定性解读仍具挑战。此类高级模型可识别细微的分布式信号，例如早期萎缩模式或肿瘤中的微观结构变化——这些要么肉眼不可见，要么缺乏标准化报告。"
"对于痴呆和脑癌等疾病状态，更早的风险分层或更精准的预后判断将极大影响患者咨询、监测及治疗规划，"他补充道，"此外，若要在真实临床实践中应用这些工具，跨机构、跨影像平台的核磁共振分析能力至关重要。"
需在临床实践中验证AI模型
《医疗新闻今日》还采访了新泽西州杰里肖尔大学医学中心神经免疫学部总监、哈肯萨克梅里迪恩医学院神经病学副教授拉娜·佐夫提斯·赖森博士。她对AI模型在神经放射学多领域的广泛能力印象深刻。
"我们必须持续探索脑部核磁共振数据集的新分析方法，因为临床实践中缺乏可靠易用的资源，"她解释道，"神经病学领域公认：及早识别疾病进程能最大限度提升治疗效果并防止恶化。然而，由于生物标志物缺失及患者风险因素识别不一致，诊断延迟现象屡见不鲜。"
赖森补充道："我期待看到该AI模型在临床实践中的验证效果。"
【全文结束】
