生物行移动版

从脑部扫描中提取具有临床价值的生物标志物和神经科学洞见，一直是医学领域计算负担最沉重的瓶颈之一。目前，将原始神经影像数据转化为诊断预测，需要研究人员把海量数据集依次送入一系列功能单一的专业软件包——一个用于运动校正，另一个用于解剖配准，第三个用于组织分割，还有独立工具用于网络建模。对于大规模临床队列，这套手动流程可能耗时数周甚至数月，为缺乏高级编程能力和计算基础设施的临床医生与神经科学家设置了巨大障碍。

为解决这种碎片化问题，由Lehigh大学计算机科学与工程系副教授Lifang He博士领导的多学科联合团队，获得了美国国立生物医学成像与生物工程研究所（NIBIB）为期四年、总额280万美元的资助，用于开发UniBrain——一个旨在将整个神经影像工作流整合为单一自动化架构的人工智能平台。该项目汇聚了四家顶尖研究中心的计算机科学家、放射学家、生物工程师和神经科学家：Lehigh大学、麻省总医院/哈佛医学院（由Xiang Li领导）、Emory大学（由Carl Yang领导）以及匹兹堡大学（由Liang Zhan领导）。

传统流程将空间标准化、颅骨剥离、体积分割、结构/功能连接组映射和病理分类等关键计算阶段视为彼此孤立的离散任务。这种模块化方法会加剧误差传播，需要大量文件格式转换，并在每次转换时要求人工质量保证。UniBrain通过部署能够同时进行预处理和下游神经网络分析的端到端深度学习模型，从底层重新设计了这一流程。关键在于，该平台在统一的潜在空间内协调结构MRI、功能MRI（fMRI）和弥散张量成像（DTI）等多种成像模态的互补数据。初步测试表明，UniBrain的集成框架在精度上匹配或超越传统多工具流程，同时将计算开销从数周降至数分钟。

“这是一个非常宏大的项目，”He博士表示，“我们正在开发和部署新的AI工具来完成分析，同时从头到尾重新思考整个神经影像分析过程，将其纳入一个统一平台。我们需要多个领域的专家协同工作，才能解决这种规模的问题。”

除了构建计算后端，该联合团队还在开发一个智能体AI框架，旨在让一线医学专业人员也能使用先进的神经影像技术。该系统通过一个模仿大语言模型助手的直观对话界面运行，允许医生和神经科学家上传原始DICOM或NIfTI影像文件，并使用自然语言提示与数据交互。临床医生可以查询特定解剖异常、请求自动区域体积比较，或追踪随时间变化的功能连接改变。作为响应，UniBrain自主选择最优预处理参数，运行底层深度学习分类器，并生成透明、可解释的临床报告，其中包含视觉显著性图，突出显示人类视觉检查可能忽略的细微疾病生物标志物。

由于临床神经影像涉及敏感的患者健康信息，该平台纳入了由Lehigh大学计算机科学家Lichao Sun博士监督的先进AI安全与隐私保护协议，确保符合医疗数据治理要求。该项目的其他关键合作者包括Quanzheng Li博士、Randy Hirschtick医学博士、Daniel Barron医学博士/博士、Boadie Dunlop医学博士和Ying Ding博士，他们将在精神和神经退行性疾病患者队列中提供临床验证，包括阿尔茨海默病、重度抑郁症及相关神经系统疾病。

“这代表了科学发现领域下一代AI的方向，”He指出，“它可以帮助科学家实现早期工具无法完成的发现。”通过弥合原始医学影像与快速、可解释的诊断发现之间的差距，UniBrain旨在为精准神经病学和转化神经科学提供可及、标准化的基础。