美国麻省总医院AI诊断工具BrainIAC可通过核磁结果推断出痴呆风险与癌症预后！

这款AI工具被命名为BrainIAC。BrainIAC是一种人工智能基础模型，它不是为某一种具体疾病或单一任务而设计，而是像一个“通用大脑分析引擎”，可以在不同医疗场景中灵活使用。

研究显示，与那些只针对单一任务训练的传统AI模型相比，BrainIAC在多项任务中表现更好，尤其是在训练数据数量有限的情况下，优势更加明显。

相关研究成果已发表在期刊《Nature Neuroscience》上。

近年来，医学人工智能发展很快，但在脑部核磁共振影像分析方面，真正“通用型”的AI工具仍然非常少。大多数现有模型只能完成某一项特定任务，比如只判断有没有肿瘤，或者只预测某一种疾病风险，而且它们通常需要大量“标注好的数据”才能训练。

标注好的数据，指的是每一张影像都已经由医生明确标出病灶位置、疾病类型或诊断结论，而这种数据在现实中既昂贵又难以获得。

此外，不同医院拍摄的脑部核磁影像，在清晰度、对比度、扫描参数上往往存在差异，而且影像用途也不相同，比如有的用于神经系统疾病，有的用于肿瘤诊疗。这种差异会让AI模型难以学到“通用规律”，从而限制其实际应用。

为了解决这些问题，研究团队设计了一种新的脑影像自适应核心框架，并将其命名为BrainIAC。BrainIAC采用了一种叫做“自监督学习”的方法。

自监督学习能力非常强大，意思是，AI在训练时不需要医生事先告诉它“哪张图是什么病”，而是通过大量没有标注的影像数据，自主学习影像中本身就存在的结构特征和变化规律。

研究人员首先用多个不同来源的脑部核磁影像数据，对BrainIAC进行预训练，让它建立起对大脑影像的整体理解。随后，他们在48965份脑部核磁影像数据上，对模型进行了验证测试，覆盖了7种临床难度不同的任务。