A continually expandable foundation model for brain MRI
本文介绍了 Alcmaeon，这是一个可连续扩展的 3D 脑部 MRI 基础模型，该模型在超过 425,000 个无标签体积数据上进行了训练，并利用图蓝图剪枝（Graph-Blueprint Pruning）技术来顺序适应不同的临床领域，同时有效地防止灾难性遗忘并保留早期能力。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在试图教会一个机器人理解人类的大脑。你向它展示了成千上万份 MRI 扫描图像——即医生用来观察我们头颅内部情况的详细 3D 图片。起初，机器人学会了识别健康的大脑。但随后，你希望它能发现脑肿瘤，或者理解阿尔茨海默病引起的变化，甚至观察儿童大脑是如何发育成长的。问题在于，当你教机器人新知识时，它往往会忘记之前学过的东西。这就像如果你为了历史考试而学习，接着立刻开始学习数学，结果突然间你记不起法国大革命的日期了。在人工智能领域，这被称为“灾难性遗忘”。科学家们一直试图构建“基础模型”——即超级聪明的 AI 大脑，它们从海量数据中学习通用规则，以便能够适应许多不同的任务，而无需每次都从头开始重建。但让这些模型适用于 3D 脑部扫描是非常困难的，因为数据规模巨大、杂乱无章，并且来自许多不同的机器和患者。一个核心问题是：我们能否构建一个能够不断学习新事物而不丢失旧记忆的“大脑-AI”？
由此诞生了 Alcmaeon，一种用于脑部 MRI 扫描的新型 AI 基础模型，它的表现就像一个从不遗忘的极其自律的学生。由研究团队开发，Alcmaeon 在超过 42.5 万份三维脑部扫描图像上进行了训练，且无需任何人进行手动标注。Alcmaeon 的设计并非仅仅学习一次就停止，而是旨在不断成长。它进行序列化学习，从健康人群开始，转向神经退行性疾病，然后是发育与精神类疾病，最后是脑肿瘤。让这一切成为可能的“秘密武器”是一种被称为**图谱蓝图剪枝（Graph-Blueprint Pruning, GBP）**的巧妙技巧。
把 Alcmaeon 的大脑想象成一个巨大的图书馆，里面装满了数百万本书（或者在这种情况下，是被称为“模块”的微小计算机电路）。当 AI 学习一个新主题（比如识别脑肿瘤）时，它通常会尝试重写它的整个图书馆，这会意外地抹除关于健康大脑的旧书。GBP 就像一位图书管理员，在那些对于旧主题至关重要的特定书籍上贴上了“请勿触摸”的标签。当 AI 学习新知识时，它只能在空白处书写，或者使用那些没有标签的书籍。这样一来，AI 就可以在学习肿瘤知识的同时，不会意外删除关于健康衰老的知识。这个“蓝图”本质上是一张地图，负责追踪哪些书是被保护的，哪些书是可以被更新的。
研究人员通过四个不同的阶段来测试这一过程：健康衰老、神经退行性疾病、发育/精神类影像，以及最后的脑肿瘤。他们将使用这种“蓝图”方法的 Alcmaeon 与其他常见的 AI 教学方法进行了对比，例如简单的重新训练（这会导致遗忘）或使用一种称为“弹性权重整合（Elastic Weight Consolidation, EWC）”的方法。结果显示，当 AI 面临最大的挑战——学习外观与健康大脑截然不同的脑肿瘤时，带有 GBP 的 Alcmaeon 保持记忆的能力远胜于其他方法。当其他方法在重建健康脑部图像方面表现大幅下降（性能评分显著降低）时，带有 GBP 的 Alcmaeon 稳住了阵脚，在保持学习识别肿瘤能力的同时，依然完整保留了观察健康大脑的技能。
有趣的是，论文发现，单纯扩大 AI 模型的大小（增加参数量）并不一定会自动提高其记忆能力。相反，模型的“构建方式”更为重要。例如，模型理解图像所使用的数学“语言”类型（确定性 vs 变分性）会改变它处理不同类型扫描的效果。对于标准的结构化扫描，一种直接的方法效果最好；而对于某些复杂的微结构图谱，则需要一种更灵活的方法。
团队还检查了这种“具备记忆力”的 AI 是否能真正帮助医生。他们测试了 Alcmaeon 积累的知识是否可以用于现实世界的任务，例如预测脑肿瘤患者的生存期、对阿尔茨海默病进行分类，甚至生成新的 MRI 图像以观察没有肿瘤时的脑部形态。他们发现，AI 大脑的不同部分擅长不同的工作：模型的“中间层”非常擅长识别疾病，而整个系统则擅长生成新图像。至关重要的是，即使在学习了肿瘤知识之后，AI 中关于阿尔茨海默病和其他疾病的部分依然存在且有用，这证明了那些“请勿触摸”的标签起到了作用。
简而言之，这篇论文表明，我们不需要为每种脑部疾病都构建一个新的 AI。相反，我们可以构建一个可扩展的 AI，它能够循序渐进地学习，在吸收新信息的同时保护过去的知识。虽然研究人员谨慎地表示，这是一个充满希望的进步，但目前还不是完美的解决方案（它在投入医院临床使用前还需要更多针对真实患者的测试），但他们已经展示了一条清晰的路径，即如何构建能够随着医学科学发展而成长、且不会迷失方向的 AI。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。