PsyBrain 脑心前沿 / AI 与脑科学：顶刊文献解读专题 / A · 文献解读 / A034 · NatNeurosci重磅：脑MRI的“大模型”时代来了

A034 Nat Neurosci重磅：脑MRI的“大模型”时代来了？首个通用脑影像基础模型BrainIAC问世！

来源：公众号 PSY-Brain_Frontier ｜发布：2026-03-09 ｜原文链接

一键关注，点亮星标 ⭐️ 前沿不走丢！

认知神经科学前沿文献分享

基本信息

Title:A generalizable foundation model for analysis of human brain MRI

发表时间：2026.2.5

发表期刊: Nature Neuroscience

影响因子：20.0

获取原文：

*添加小助手:*PSY-Brain-Frontier即可获取PDF版本
点击页面底部“阅读原文”即可跳转论文原网页

研究背景

在认知神经科学和临床脑病理学领域，磁共振成像（MRI）是我们窥探大脑结构和功能的黄金窗口。近年来，深度学习在医学影像分析中展现出巨大潜力，但试图将AI真正落地于脑MRI分析时，研究者们往往会撞上一堵“叹息之墙”：数据极其异质且标注成本高昂。

与标准化的自然图像不同，真实的脑MRI数据包含了极大的异质性。即使是同一个大脑，T1加权、T2加权或FLAIR等不同序列所传递的信息也截然不同；不同医院、不同品牌扫描仪以及不同采集参数带来的成像差异，更是让传统的监督学习模型无所适从。这种现象导致了一个致命痛点：现有的医学AI往往是“偏科的狭隘专家”。它们在一个特定数据集上训练特定的任务（例如特定类型的肿瘤分割），一旦遇到不同的扫描设备或需要迁移到新的预测任务时，性能就会断崖式下跌。此外，对于罕见神经系统疾病或复杂的预后分析，我们根本无法获取海量的高质量专家标注数据。

那么，我们能否像训练大型语言模型那样，先让AI阅读海量的“无标注”脑部扫描，让它自主掌握人类大脑解剖和病理学的基础底层规律，然后再通过微调来应对各种复杂的下游任务呢？近期发表在《Nature Neuroscience》上的一项研究正是为了回答这一核心问题。研究团队推出了一种名为BrainIAC（Brain Imaging Adaptive Core）的通用脑MRI基础模型，试图通过自监督学习彻底打破脑影像分析中的数据和泛化壁垒。

Fig. 1 | Overview of the study.

研究核心总结

研究团队利用对比自监督学习（SimCLR框架）和三维视觉Transformer（3D ViT-B）架构，在无需任何人工标签的情况下，使用涵盖近5万例、横跨10种神经系统疾病的多参数脑MRI扫描对BrainIAC进行了大规模预训练。结果显示，这种不仅“见过”海量大脑，且学会了提取深层通用特征的基础模型，在后续任务中展现出了降维打击般的优势。

Fig. 2 | Downstream application performance comparison.

一、核心发现与表现

研究人员在7个难度各异的下游临床任务上对BrainIAC进行了全面测试。这些任务既包括相对简单的MRI序列分类和成人神经胶质瘤分割，也涵盖了极具挑战性的脑龄预测、IDH基因突变状态预测、脑肿瘤整体生存期预测、轻度认知障碍（MCI）识别以及中风时间预测。

结果表明，BrainIAC全面碾压了“从头开始训练”的传统监督模型，也显著优于现有的其他医学预训练模型（如MedicalNet和BrainSegFounder）。它真正的杀手锏在于极小样本（Few-shot）和低数据场景。在仅提供10%训练数据，甚至每个类别仅有1到5个样本（K=1或K=5）的极端限制下，BrainIAC依然维持了高度稳健的预测能力，成功完成了MCI分类和生存期分层等复杂任务，而其他对比模型在这种条件下几乎全军覆没。

Fig. 3 | Few-shot adaptation and frozen-backbone (linear probe) performance across seven downstream tasks.

二、内在机制与稳健性

BrainIAC之所以强大，在于其预训练过程强迫网络在各种图像增强（如裁剪、模糊、噪声）下识别同一个解剖结构的内在一致性，从而学习到了独立于扫描仪和采集参数的稳健特征表示。显著图（Saliency maps）分析进一步揭示了该模型惊人的生物学合理性：即便没有经过人工强行干预，BrainIAC在执行特定任务时，会自动将注意力集中在极具临床和认知意义的脑区上。例如，在预测轻度认知障碍（MCI）时它精准锁定了海马体，在预测脑龄时聚焦于脑室周围白质，而在预测生存期时则紧盯肿瘤的核心增强区域。此外，该模型对真实的MRI成像伪影（如对比度偏移、吉布斯振铃现象）表现出了极强的抗干扰稳定性。

图10

Fig. 4 | Kaplan–Meier survival curves and tumor segmentation visualization.

图11

研究意义

这项研究标志着脑影像深度学习从“任务特异性的小作坊”向“任务不可知的通用大基建”迈出了关键一步。BrainIAC不仅为解决神经影像数据稀缺和标注昂贵的问题提供了一条极具可行性的路径，更为未来基于小样本的罕见病生物标志物发现和认知神经科学的高级表征建模提供了强大的开源基础架构。

图12

Fig. 5 | Perturbance performance comparison.

图13

AI大模型时代，何去何从？

为推动人工智能在辅助诊疗、健康管理、医保服务等场景的应用，中国科学院人才交流开发中心将于3月举办“人工智能赋能医疗医学全场景创新应用与实践”高级研修班，特邀中国科学院研究所及其他代表性医疗研究机构的专家，分享AI技术应用到医疗医学领域的实操技能。

「点击下方图片跳转详情推送」

图15

图16

Fig. 6 | BrainIAC brain age prediction performance.

图17

Fig. 7 | Saliency maps visualization for BrainIAC backbone and downstream models.

图18

Abstract

Why do some experiences endure in memory better than others? Here we explore the possibility that learning fluctuates rhythmically several times per second, with fortuitously timed experiences being more memorable. Although such fleeting opportunities for encoding would evade our awareness, they are predicted by a prominent model describing how theta rhythms in the brain coordinate memory—the Separate Phases for Encoding and Retrieval (SPEAR) model. In a preregistered study, we adapted a dense sampling approach to reconstruct the millisecond time course of memory encoding in n = 125 participants. We found that memory encoding fluctuated at a theta rhythm (3–10 Hz), that these rhythms were not a by-product of rhythmic attention and that—like theta rhythms in the brain—memory rhythms were modulated by putative markers of acetylcholine. Our findings provide behavioural evidence consistent with the SPEAR model of episodic memory.

图19