一项发表于《自然·神经科学》的研究提出了BrainIAC——一个基于自监督学习原理的通用、多参数脑MRI基础模型。该模型在48,965个涵盖广泛人口统计学和临床环境的脑MRI数据上开发和验证，学习了鲁棒且可适应的表示。研究证明，BrainIAC在多种下游应用中优于局部监督训练和其他预训练模型，特别是在低数据、少样本设置和高难度预测任务中，使得在以前被认为不可行的场景中的应用成为可能。BrainIAC可集成到成像流程和多模态框架中，并可能促进生物标志物发现和人工智能临床转化。

研究背景与意义

应用于脑MRI的人工智能有望推动神经系统疾病的诊断、预后和治疗规划。该领域迄今受到训练数据有限和任务特定模型的限制，这些模型在患者群体和医疗任务中泛化能力不佳。通过利用自监督学习、预训练和有针对性的适应，基础模型为克服这些限制提供了一个有前景的范式。

主要发现与模型性能

研究团队开发了BrainIAC，使用对比自监督学习在涵盖十种医疗状况的16个数据集的32,015个多参数MRI上进行预训练。该模型在七个不同的临床下游任务上进行了评估，包括MRI序列分类、脑年龄预测、IDH突变检测、脑肿瘤生存预测、轻度认知障碍分类、中风时间预测和成人胶质瘤分割。BrainIAC在所有任务中一致优于基线模型，特别是在低数据（10%可用数据）和少样本（每类1或5个样本）设置中，性能差距最为显著。线性探测分析进一步证实BrainIAC学习到的特征表示质量更高，对图像伪影的鲁棒性也更强。

参考文献

Tak, D., Kann, B. H. et al. (2026). A generalizable foundation model for analysis of human brain MRI. Nature Neuroscience, 29, 945–956. DOI: 10.1038/s41593-026-02202-6

该研究开发了一个基于自监督对比学习（SimCLR）的3D Vision Transformer（ViT）基础模型（BrainIAC），用于人脑结构MRI分析。模型在近5万例多参数MRI（T1w, T2w, FLAIR, T1CE）上预训练，并在7个不同难度（从序列分类到突变预测）的下游任务中进行了系统评估。研究显示，BrainIAC在少样本（1-shot, 5-shot）和低数据场景下显著优于从头训练、MedicalNet和BrainSegFounder等基线模型，且学到的特征表示更具泛化性。研究团队来自麻省总医院布莱根等机构。