Forskare vid Mass General Brigham har utvecklat en robust ny grundmodell för artificiell intelligens (AI) som kan analysera MR-datasätt från hjärnan för att utföra ett flertal medicinska uppgifter, bland annat identifiera hjärnans ålder, förutsäga risken för demens, upptäcka mutationer i hjärntumörer och förutsäga överlevnaden vid hjärncancer.
Verktyget, som kallas BrainIAC, överträffade andra, mer uppgiftsspecifika AI-modeller och var särskilt effektivt när det fanns begränsad träningsdata tillgänglig.
Resultaten är publicerade i Nature Neuroscience.
”BrainIAC har potential att påskynda upptäckten av biomarkörer, förbättra diagnostiska verktyg och påskynda införandet av AI i klinisk praxis”, säger korresponderande författare Benjamin Kann, MD, från programmet Artificial Intelligence in Medicine (AIM) vid Mass General Brigham. ”Att integrera BrainIAC i bilddiagnostikprotokoll kan hjälpa kliniker att bättre anpassa och förbättra patientvården.”
Trots de senaste framstegen inom medicinsk AI saknas det allmänt tillgängliga modeller som fokuserar på bred hjärn-MR-analys. De flesta konventionella ramverk utför specifika uppgifter och kräver omfattande träning med stora, annoterade datamängder som kan vara svåra att få tag på. Dessutom kan hjärn-MR-bilder från olika institutioner variera i utseende och beroende på deras avsedda tillämpningar (t.ex. inom neurologi kontra onkologi), vilket gör det svårt för AI-ramverk att lära sig liknande information från dem.
För att hantera dessa begränsningar har forskarteamet utformat en adaptiv kärna för hjärnavbildning som de kallar BrainIAC. Verktyget använder en metod som kallas självövervakad inlärning för att identifiera inneboende egenskaper från oannoterade datamängder, som sedan kan anpassas till en rad olika tillämpningar. Efter att ha förtränat ramverket på flera datamängder med hjärn-MR-bilder validerade forskarna dess prestanda på 48 965 olika hjärn-MR-skanningar i sju olika uppgifter med varierande klinisk komplexitet.
De fann att BrainIAC framgångsrikt kunde generalisera sina lärdomar från både friska och onormala bilder och därefter tillämpa dem på både relativt enkla uppgifter, såsom att klassificera typer av MR-skanningar, och mycket utmanande uppgifter, såsom att upptäcka mutationstyper i hjärntumörer. Modellen överträffade också tre mer konventionella, uppgiftsspecifika AI-ramverk för dessa och andra tillämpningar.
Författarna noterar att BrainIAC var särskilt bra på att förutsäga resultat när träningsdata var knappa eller uppgifternas komplexitet var hög, vilket tyder på att modellen kunde anpassa sig väl till verkliga miljöer där annoterade medicinska dataset inte alltid är lättillgängliga. Ytterligare forskning behövs för att testa detta ramverk på ytterligare hjärnavbildningsmetoder och större dataset.
Publikationsuppgifter
A Foundation Model for Generalized Brain MRI Analysis, Nature Neuroscience (2026). www.nature.com/articles/s41593-026-02202-6
