新型人工智能工具可预测大脑年龄、痴呆风险和癌症生存率
Feb 10, 2026
据哈佛大学附属麻省总医院布莱根医院的研究人员称，他们开发了一种新的人工智能基础模型，能够从常规脑部磁共振成像（MRI）中准确提取多种疾病风险信号，包括：评估人的“脑龄”；预测痴呆风险；检测脑肿瘤突变；以及预测脑癌患者的生存期。
该模型名为 BrainIAC，是一个脑成像自适应核心模型，使用近 49,000 例脑部 MRI 扫描数据进行训练。该工具的性能优于其他更侧重于特定任务的人工智能模型，尤其是在训练数据有限的情况下，其效率更高。
研究结果发表在《自然·神经科学》杂志上。
研究人员指出，尽管近年来医学人工智能方法取得了进展，但目前缺乏专注于广泛脑部 MRI 分析的公开可用模型。大多数传统框架执行特定任务，并且需要使用难以获取的大型标注数据集进行大量训练。此外，不同机构的脑部MRI图像外观各异，且用途不同（例如神经科与肿瘤科），这使得人工智能框架难以从中学习到相似的信息。
为了克服这些局限性，BrainIAC采用了一种称为自监督学习的方法，从未标记的数据集中识别出固有特征，并将其应用于各种应用场景。研究人员在多个脑部MRI图像数据集上对该框架进行预训练后，在48,965个不同的脑部MRI扫描图像上验证了其在七项临床复杂度各异的任务中的性能。
研究人员发现，BrainIAC能够成功地将其学习结果推广到健康和异常图像，并将其应用于相对简单的任务（例如MRI扫描类型分类）和极具挑战性的任务（例如检测脑肿瘤突变类型）。在这些应用以及其他应用中，该模型也优于三种更传统的、针对特定任务的人工智能框架。
作者指出，当训练数据匮乏或任务复杂度较高时，BrainIAC 预测结果的表现尤为出色，这表明该模型能够很好地适应现实世界中标注的医学数据集并非总是唾手可得的情况。未来需要开展更多研究，以在其他脑成像方法和更大的数据集上测试该框架。
“BrainIAC 有潜力加速生物标志物的发现，增强诊断工具，并加快人工智能在临床实践中的应用，”通讯作者、哈佛医学院放射肿瘤学副教授、MGB 医学人工智能 (AIM) 项目负责人 Benjamin Kann 表示，“将 BrainIAC 整合到成像方案中，可以帮助临床医生更好地实现患者个性化治疗，并改善患者护理。”
本研究部分由美国国立卫生研究院/国家癌症研究所和 Botha-Chan 低级别胶质瘤联盟资助。
美国顶尖大学/学院
