核心要点
- 哈佛研究人员开发了BrainIAC，这是一种单一AI模型，可适应分析从阿尔茨海默病到癌症等多种疾病的脑部扫描，无需为每种疾病分别构建专用算法
- 该模型从32,000份未标记的MRI扫描中学习通用大脑解剖结构，随后仅需每类1至5个训练示例即可适应新医疗任务
- BrainIAC在七项不同挑战中表现优异，包括预测癌症生存率、检测基因突变和发现早期痴呆：这些任务单靠医生观察扫描图像难以完成
- 这种方法可加速为影响小患者群体的罕见疾病开发AI工具，而在患者稀少情况下收集数千个标记示例通常不可行
构建诊断脑部疾病的AI系统通常意味着每次都必须从头开始。想要检测阿尔茨海默病？需构建一种算法。脑肿瘤？需开发另一种。中风损伤？再次从头开始。如今，哈佛医学院研究人员证明了更高效的方法。
他们训练了一种名为BrainIAC的单一AI模型，该模型可适应从发现早期痴呆到预测癌症生存率等多种任务。同一系统首先从数万份涵盖多种疾病的MRI扫描中学习通用大脑解剖结构，随后仅需少量示例即可适应罕见的儿童脑肿瘤。
这一突破解决了医学界最大的AI难题之一。医院存储了数百万份脑部扫描，但大多数无法用于训练AI，因为无人有时间或资金让医生为每张图像标注。BrainIAC首先从未标记的扫描中自主学习，捕捉大脑解剖结构的固有模式。
教AI识别脑部模式
以医学生为例。他们并非通过一次记忆一种疾病来学习放射学。而是先掌握正常大脑解剖结构，再学习识别异常情况。BrainIAC采用相同原理运作。
该模型在《自然-神经科学》期刊发表，分析了来自十种不同疾病患者和健康志愿者的32,000多份脑部扫描。它学习了捕捉大脑结构、年龄相关变化、中风损伤模式和肿瘤解剖的内部表征：整个过程无需人工标注。
一旦BrainIAC理解通用大脑解剖结构，研究人员仅需极少额外训练即可将其适应新任务。他们在七项完全不同的医疗挑战中测试该模型：识别扫描类型、通过大脑结构推测年龄、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、估计中风发生时间以及勾勒肿瘤边界。
该模型成功处理了医生单凭MRI难以完成的任务。预测肿瘤是否携带特定基因突变（通常需脑部手术和基因检测）达到约0.79的AUC值。这对仅观察扫描图像无法诊断的情况而言是显著成果。
首席研究员本杰明·坎恩博士发现，最大优势体现在训练数据稀缺的罕见疾病上。仅使用50个示例，BrainIAC在基因突变预测上达到约0.68的AUC值。而从头训练的传统AI系统表现仅略优于随机猜测。
从极少量数据中学习
研究团队将此方法推向极限：若每种扫描类型仅有一个示例怎么办？他们用微小数据集进行实验，模拟全球可能仅影响数百名儿童的超罕见疾病场景。
总计仅四个训练示例，BrainIAC仍能比随机猜测更准确地分类四种不同扫描类型。对于胶质母细胞瘤（最致命的脑癌之一），该模型预测患者是否能存活超过一年。即使仅用10%的训练数据，它在一年生存率预测上仍达到约0.62的AUC值。而从头训练的系统表现几乎与抛硬币无异。
这背后有简单原因：儿童脑癌可能在全国每年仅影响50名儿童，根本无法收集10,000个标记训练样本。BrainIAC的方法使研究人员能为小患者群体开发AI工具，这在当前技术条件下基本不可能实现。
该模型还精准关注相关脑区。当研究人员可视化其关注点时，痴呆检测聚焦于海马体（阿尔茨海默病中萎缩的脑区），衰老相关变化聚焦白质区域，癌症预测则锁定肿瘤核心。这些注意力图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，而非随意模式。
为何此前未能成功
当前医疗AI系统在离开开发医院后常表现失常。麻省总医院开发的算法可能在德克萨斯州医院失效，原因包括MRI扫描仪差异、患者群体不同，甚至技术人员摆放患者的细微差别。
坎恩团队通过在多机构扫描上训练BrainIAC，再在完全不同医院数据上测试来验证其鲁棒性。他们还刻意引入常见技术问题（如对比度偏移、模糊和强度变化）。BrainIAC在处理噪声方面优于从头训练或预训练范围较窄的替代模型，尤其在其他模型性能崩溃的困难预测任务上表现突出。
当前局限性
BrainIAC仅适用于标准结构MRI扫描——即放射科医生日常查看的基础序列。它无法处理显示脑活动的功能性MRI或专业扫描。更重要的是，这仍属研究阶段。团队分析了多年积累的回顾性扫描数据，但这不同于医生实时决策时的前瞻性应用。目前尚无证据表明它能改善患者预后、加速诊断或改变临床治疗选择。
更大意义
当前医疗AI项目普遍存在重复造轮子现象：一个团队耗时两年构建脑肿瘤检测器，另一团队同样耗时开发阿尔茨海默病筛查工具，各自需独立资金、数据收集和验证流程。
基础模型彻底改变这一局面：构建理解大脑解剖的通用系统后，可快速适应各类医疗问题。需要新疾病工具？微调基础模型而非从头开始。每年仅30例的罕见儿童癌症？基础模型提供关键起点。
这种方法不会取代大型医疗中心针对单一任务优化的专用AI系统。但它能大幅降低为资源有限地区、罕见疾病和服务不足病症开发AI工具的门槛——在这些场景中收集大规模训练数据本就不现实。
坎恩团队报告该模型和代码已公开供研究使用，其他研究者可在此基础上拓展。无论BrainIAC是否被广泛采用，其核心价值在于证明单一AI系统确实能适应从阿尔茨海默病到脑癌的广泛脑部成像任务。
免责声明
本文基于同行评审研究。所述AI模型（BrainIAC）为研究工具，尚未获准临床使用。研究结果代表对现有脑部扫描的回顾性分析，未在前瞻性临床环境中验证患者预后改善效果。读者不应将此研究视为医疗建议。健康问题者应咨询合格医疗专业人员。报告的性能指标反映研究条件，实际临床应用中可能存在差异。
【全文结束】
