引言：神经影像AI的新范式
人工智能在医学影像领域展现出显著前景，但大多数模型是狭窄的——使用精选数据集训练以检测单一疾病。一项发表在《自然·医学》上的新研究介绍了NeuroVFM，这是一个在健康系统常规临床MRI和CT扫描上训练的通用神经影像模型。通过利用健康系统学习，NeuroVFM捕捉了大脑解剖和病理的广泛、可泛化表征，在多个诊断场景中优于任务特定模型。
什么是NeuroVFM？
NeuroVFM代表神经影像视觉基础模型。与为每个任务从头训练的传统模型不同，NeuroVFM在从常规护理中收集的大规模、多样化的真实临床扫描语料库（包括MRI和CT模态）上进行预训练。这种方法使模型能够学习大脑结构和常见异常的基本特征，无需手动标注。研究人员使用了自监督学习技术，使模型能够通过预测图像的缺失部分或对比不同视图从未标注数据中学习。
健康系统学习：为何重要
大多数医学AI模型是在高质量、精选的数据集上训练的，这些数据集可能无法反映真实世界的变异性。相比之下，NeuroVFM在来自多个健康系统的扫描上训练，涵盖了广泛的扫描仪制造商、协议、患者人口统计和病理状况。这种多样性使模型对领域偏移具有鲁棒性——这是在新医院部署AI时的常见挑战。研究表明，NeuroVFM的表征比在更小、更干净的数据集上训练的模型具有更好的泛化能力。
多项任务上的表现
研究人员在多个下游任务上评估了NeuroVFM，包括脑肿瘤分割、颅内出血检测和阿尔茨海默病分类。在每种情况下，NeuroVFM都匹配或超过了最先进的任务特定模型的性能。例如，在肿瘤分割中，NeuroVFM达到了与专用模型相当的Dice分数，同时需要更少的标注样本进行微调。在出血检测中，它在不同CT扫描仪类型上显示出更高的敏感性和特异性。
对临床实践的意义
NeuroVFM的通用性可以简化临床工作流程。医院无需为不同疾病部署多个AI工具，而是可以使用一个处理多种神经影像任务的单一模型。这减少了计算开销并简化了维护。此外，由于NeuroVFM从常规扫描中学习，它可以随着新数据不断更新，适应不断变化的临床实践和新出现的疾病。
局限性与未来方向
尽管前景广阔，NeuroVFM仍有局限性。该研究未包括所有罕见神经系统疾病，模型在极低分辨率或伪影严重的扫描上的性能需要进一步验证。此外，自监督预训练需要大量计算资源。未来的工作可能探索更高效的训练方法，并将模型扩展到其他成像模态，如PET或功能MRI。
结论
NeuroVFM代表了神经影像领域迈向通用AI的重要一步。通过利用健康系统学习，它实现了鲁棒、可泛化的表征，能够提高诊断准确性和效率。随着医疗AI向基础模型发展，NeuroVFM为构建从真实临床实践的丰富、杂乱数据中学习的多功能工具提供了蓝图。
本文基于《自然·医学》的报道。阅读原文。
Originally published on nature.com
