DOI: https://doi.org/10.1038/s41593-026-02202-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41644653
تاريخ النشر: 2026-02-05
المؤلف: Divyanshu Tak وآخرون
الموضوع الرئيسي: دراسات الاتصال الوظيفي في الدماغ
نظرة عامة
إن تطبيق الذكاء الاصطناعي (AI) على تصوير الرنين المغناطيسي للدماغ (MRI) لديه القدرة على تعزيز التشخيص والتنبؤ وتخطيط العلاج للأمراض العصبية. ومع ذلك، واجه هذا المجال تحديات بسبب البيانات التدريبية المحدودة وخصوصية النماذج الحالية، التي غالبًا ما تفشل في التعميم عبر مجموعات المرضى المتنوعة والمهام الطبية. لمعالجة هذه القيود، يقدم المؤلفون نموذج “نواة تصوير الدماغ التكيفية” (BrainIAC)، وهو نموذج أساسي يستخدم التعلم الذاتي الإشراف (SSL) لتعلم تمثيلات عامة من بيانات تصوير الرنين المغناطيسي للدماغ غير المعلّمة. تم تصميم هذا النموذج ليكون أساسًا متعدد الاستخدامات لمجموعة متنوعة من التطبيقات اللاحقة.
تم تدريب BrainIAC والتحقق من صحته على مجموعة بيانات كبيرة تضم 48,965 صورة رنين مغناطيسي للدماغ، مما يظهر أداءً متفوقًا مقارنة بالتدريب الموجه المحلي والنماذج المدربة مسبقًا الأخرى، لا سيما في سيناريوهات البيانات القليلة والمهام التنبؤية عالية الصعوبة. تتيح هذه القدرة تطبيقه في سياقات كانت غير ممكنة سابقًا. من المتوقع أن يعزز دمج BrainIAC في خطوط أنابيب التصوير والأطر متعددة الوسائط اكتشاف العلامات الحيوية ويسهل الترجمة السريرية لتقنيات الذكاء الاصطناعي. يمثل التحول نحو SSL تقدمًا كبيرًا في الذكاء الاصطناعي الطبي، مما يسمح باستخراج تمثيلات ذات مغزى من كميات كبيرة من البيانات غير المعلّمة، وبالتالي التغلب على الحواجز التي تفرضها ندرة مجموعات البيانات المعلّمة، خاصة في سياق الأمراض النادرة.
الطرق
توضح قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. يتناول معايير اختيار المشاركين، وتصميم التجارب، والتقنيات الإحصائية المستخدمة لتحليل البيانات. استخدمت الدراسة تصميم تجربة عشوائية محكومة لضمان موثوقية النتائج، حيث تم تخصيص المشاركين إما لمجموعة العلاج أو مجموعة التحكم بناءً على عملية عشوائية.
شملت جمع البيانات مقاييس موحدة لتقييم النتائج الرئيسية، وتم إجراء التحليل باستخدام برامج إحصائية مناسبة. طبق الباحثون طرقًا مثل ANOVA وتحليل الانحدار لتقييم الفروق بين المجموعات وللتحكم في المتغيرات المربكة المحتملة. يبرز القسم صرامة المنهجية، مما يضمن أن النتائج قوية ويمكن تعميمها على مجموعة سكانية أوسع.
النتائج
في هذا القسم، يقدم المؤلفون نتائج دراستهم حول BrainIAC، وهو نموذج أساسي لتحليل الرنين المغناطيسي للدماغ، الذي تم تدريبه مسبقًا باستخدام التعلم الذاتي الإشراف المتباين (SSL) على مجموعة بيانات تضم 32,015 صورة رنين مغناطيسي متعددة المعلمات من 16 مجموعة بيانات مختلفة تغطي عشرة حالات طبية. تم تكييف BrainIAC بعد ذلك لسبع مهام سريرية ذات صلة، بما في ذلك تصنيف تسلسل الرنين المغناطيسي، وتوقع عمر الدماغ، واكتشاف طفرات IDH، وتوقع البقاء للأورام الدماغية، وتوقع الخرف المبكر، وتوقع الوقت حتى السكتة الدماغية، وتقسيم الغليوما. أظهر النموذج أداءً متفوقًا مقارنة بالتعلم الموجه التقليدي ونماذج التعلم الانتقالي في المجال، لا سيما في إعدادات البيانات القليلة مع توفر بيانات محدودة.
أظهر تقييم أداء BrainIAC في توقع عمر الدماغ أنه يتفوق باستمرار على النماذج الأخرى، مثل MedicalNet وBrainSegFounder، عبر توافر بيانات تدريب مختلفة. على سبيل المثال، مع 20% فقط من بيانات التدريب، حقق BrainIAC متوسط خطأ مطلق (MAE) قدره 6.55 سنوات في توقع العمر، مقارنة بـ 7.61 سنوات لـ MedicalNet و10.07 سنوات لـ BrainSegFounder. بالإضافة إلى ذلك، أظهر تجميع الميزات الكامنة بناءً على مجموعات العمر تمييزًا واضحًا، حيث حقق BrainIAC درجة مؤشر ديفيس-بولدين تشير إلى أداء تجميع أفضل من النماذج المنافسة. بشكل عام، تؤكد هذه النتائج فعالية BrainIAC كمشفر قوي لصور الرنين المغناطيسي ثلاثية الأبعاد للدماغ، قادر على توليد تمثيلات كامنة ذات مغزى قابلة للتكيف مع تطبيقات سريرية متنوعة.
المناقشة
في هذه الدراسة، نقدم BrainIAC، وهو نموذج أساسي ذاتي الإشراف لتحليل الرنين المغناطيسي للدماغ، تم تطويره باستخدام 48,965 مسح متعدد المعلمات. يظهر BrainIAC أداءً متفوقًا في مهام متنوعة، بما في ذلك تصنيف تسلسل الرنين المغناطيسي، وتوقع عمر الدماغ، وتوقع نوع الطفرة الورمية، وتوقع البقاء بشكل عام، لا سيما في السيناريوهات التي تحتوي على بيانات تدريب محدودة. على سبيل المثال، في تصنيف التسلسل، حقق BrainIAC دقة متوازنة قدرها 90.8% مع توفر 10% فقط من البيانات، متفوقًا على نماذج أخرى مثل MedicalNet وBrainSegFounder. يُعزى متانة النموذج إلى اختياره المنهجي للمشفر، مستفيدًا من بنية محول الرؤية ثلاثية الأبعاد (ViT-B)، التي تتفوق في التقاط العلاقات المكانية بعيدة المدى وتمثيلات الميزات القابلة للتعميم.
تتجلى قابلية التكيف لـ BrainIAC بشكل أكبر من خلال أدائه المتسق عبر تطبيقات سريرية متنوعة، حتى في المهام الصعبة مثل توقع الطفرات وتحليل البقاء، حيث غالبًا ما تكافح النماذج الموجهة التقليدية. تعزز مرونة النموذج تجاه الاضطرابات التصويرية، مثل تغييرات التباين والضوضاء، من فائدته السريرية، مما يجعله أداة واعدة لتطبيقات التصوير العصبي. على الرغم من نقاط قوته، تعترف الدراسة بالقيود، بما في ذلك التركيز على تسلسلات الرنين المغناطيسي الهيكلية القياسية، مما يشير إلى طرق محتملة للبحث المستقبلي لتوسيع قابليته للتطبيق على أنماط التصوير الأخرى. بشكل عام، يمثل BrainIAC تقدمًا كبيرًا في تطوير أدوات الذكاء الاصطناعي ذات الصلة سريريًا لتحليل الرنين المغناطيسي للدماغ، لا سيما في بيئات البيانات القليلة.
DOI: https://doi.org/10.1038/s41593-026-02202-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41644653
Publication Date: 2026-02-05
Author(s): Divyanshu Tak et al.
Primary Topic: Functional Brain Connectivity Studies
Overview
The application of artificial intelligence (AI) to brain magnetic resonance imaging (MRI) has the potential to enhance the diagnosis, prognosis, and treatment planning for neurological diseases. However, the field has faced challenges due to limited training data and the specificity of existing models, which often fail to generalize across diverse patient populations and medical tasks. To address these limitations, the authors introduce the Brain Imaging Adaptive Core (BrainIAC), a foundation model that utilizes self-supervised learning (SSL) to learn generalized representations from unlabeled brain MRI data. This model is designed to serve as a versatile basis for various downstream applications.
BrainIAC was trained and validated on a substantial dataset of 48,965 brain MRIs, demonstrating superior performance compared to localized supervised training and other pretrained models, particularly in low-data and few-shot scenarios, as well as in high-difficulty prediction tasks. This capability enables its application in contexts that were previously unfeasible. The integration of BrainIAC into imaging pipelines and multimodal frameworks is anticipated to enhance biomarker discovery and facilitate the clinical translation of AI technologies. The shift towards SSL represents a significant advancement in medical AI, allowing for the extraction of meaningful representations from large volumes of unlabeled data, thereby overcoming the barriers posed by the scarcity of labeled datasets, especially in the context of rare diseases.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection criteria for participants, the design of the experiments, and the statistical techniques utilized for data analysis. The study employed a randomized controlled trial design to ensure the reliability of the results, with participants assigned to either the treatment or control group based on a randomization process.
Data collection involved standardized measures to assess the primary outcomes, and the analysis was conducted using appropriate statistical software. The researchers applied methods such as ANOVA and regression analysis to evaluate the differences between groups and to control for potential confounding variables. The section emphasizes the rigor of the methodology, ensuring that the findings are robust and can be generalized to a broader population.
Results
In this section, the authors present the results of their study on BrainIAC, a foundation model for brain MRI analysis, which was pretrained using contrastive self-supervised learning (SSL) on a dataset of 32,015 multiparametric MRIs from 16 different datasets covering ten medical conditions. BrainIAC was subsequently adapted for seven clinically relevant downstream tasks, including MRI sequence classification, brain age prediction, IDH mutation detection, survival prediction for brain tumors, early dementia prediction, time-to-stroke prediction, and glioma segmentation. The model demonstrated superior performance compared to traditional supervised learning and in-domain transfer learning approaches, particularly in few-shot settings with limited data availability.
The evaluation of BrainIAC’s performance in brain age prediction revealed that it consistently outperformed other models, such as MedicalNet and BrainSegFounder, across varying training data availability. For instance, with only 20% of training data, BrainIAC achieved a mean absolute error (MAE) of 6.55 years in predicting age, compared to 7.61 years for MedicalNet and 10.07 years for BrainSegFounder. Additionally, the clustering of latent features based on age groups showed clear distinctions, with BrainIAC achieving a Davies-Bouldin index score indicating better clustering performance than the competing models. Overall, these results underscore BrainIAC’s efficacy as a robust encoder for 3D brain MRI scans, capable of generating meaningful latent representations adaptable to diverse clinical applications.
Discussion
In this study, we introduce BrainIAC, a self-supervised foundation model for brain MRI analysis, developed using 48,965 multiparametric scans. BrainIAC demonstrates superior performance in various tasks, including MRI sequence classification, brain age prediction, tumor mutational subtype prediction, and overall survival prediction, particularly in scenarios with limited training data. For instance, in sequence classification, BrainIAC achieved a balanced accuracy of 90.8% with only 10% data availability, outperforming other models such as MedicalNet and BrainSegFounder. The model’s robustness is attributed to its systematic encoder selection, leveraging a 3D Vision Transformer (ViT-B) architecture, which excels in capturing long-range spatial relationships and generalizable feature representations.
BrainIAC’s adaptability is further evidenced by its consistent performance across diverse clinical applications, even in challenging tasks like mutation prediction and survival analysis, where traditional supervised models often struggle. The model’s resilience to imaging perturbations, such as contrast shifts and noise, enhances its clinical utility, making it a promising tool for neuroimaging applications. Despite its strengths, the study acknowledges limitations, including a focus on standard structural MRI sequences, suggesting potential avenues for future research to expand its applicability to other imaging modalities. Overall, BrainIAC represents a significant advancement in the development of clinically relevant AI tools for brain MRI analysis, particularly in low-data environments.