为了获得良好的“回声”，MRI 机器使用磁梯度，它们就像是推挤水分子的隐形之手。这些手有两个主要设置：强度（称为 b 值）和方向（称为 b 矢量）。把 b 值想象成你推的力量有多大，而 b 矢量则是你推的方向。问题在于，不同的医院使用不同的推挤强度和方向。如果一个计算机程序学习了使用一套推挤设置下的脑部图像，当医院更改设置时，它往往会感到困惑。这就像一个学生只通过记忆 1 到 10 的数字学会了数学考试，但当考试使用 100 到 110 的数字时就失败了。科学家们想要一个无论机器如何设置都能理解大脑奥秘的“超级学生”，但构建一个既灵活又准确的模型一直是一个巨大的挑战。
这篇论文介绍了一种构建这个“超级学生”的巧妙新方法。来自伦敦大学学院的研究人员结合了两种强大的思想，创建了一个名为超网络控制几何深度学习系统（简称 hSCNN）的模型。他们首先使用了一种聪明的 AI 类型，即球面卷积神经网络（SCNN），这种 AI 已经非常擅长理解推挤的方向（b 矢量），并且不会因为大脑被倒置而感到困惑。然而，这个聪明的 AI 在面对推挤强度（b 值）变化时仍然表现挣扎。
为了解决这个问题，团队加入了一个被称为超网络（hypernetwork）的“元老师”。想象一下，主 AI 是一个只会按照特定锅温烹饪完美牛排的厨师。超网络就像是一位副厨，他会观察温度设置（b 值），并立即向主厨递上一套定制的指令（权重），以调整烹饪方式。在这种情况下，超网络将 b 值作为输入，并微调主 AI 的“大脑”，使其能够瞬间适应特定的推挤强度。
研究人员使用大量的计算机生成大脑数据（模拟数据）和志愿者的真实大脑扫描图像对这一新系统进行了测试。他们发现，当他们在从未见过的 b 值上测试该系统时，其表现与为该特定设置训练一个全新的、独立的 AI 时一样出色。事实上，在真实的大脑扫描中，他们的新方法生成的图像图谱比旧方法更接近“金标准”医学计算，而旧方法在设置改变时往往会犯大错。
该论文表明，通过使用这种超网络技巧，他们成功创建了一个既具备旋转智能（理解方向）又具备协议灵活性（理解不同推挤强度）的模型。这意味着医生最终可以在世界任何地方的任何 MRI 机器上使用这些 AI 工具，而无需每次在扫描器设置更改时都重新训练软件。虽然模拟和真实数据的结果非常令人鼓舞，但作者指出，这是在使这些先进的大脑图谱在临床应用中更快、更可靠方面迈出的重要一步，尽管他们也建议未来仍需更多工作来处理更复杂的变体。