BrainNorm: A Foundation Model that knows Normal via Semantic Atlas Pretraining
BrainNorm 是一个利用约 66,000 份健康 T1 加权 MRI 扫描图像通过语义图谱预训练构建的基础模型，旨在创建一个能够实现稳健且符合年龄特征的局部大脑偏差检测的潜空间，并在多种疾病分类和预测任务中表现优于监督学习基准模型。
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
人类的大脑并非一个静态的物体；它是一个活生生的景观，随着我们的成长而改变形状和大小。正如儿童的身高表能帮助医生区分正常生长与潜在的健康问题一样，科学家们长期以来一直在寻找一张类似的脑部地图。这张被称为“常模模型”（normative model）的地图，定义了在生命每个阶段健康的脑部应当呈现出的样子。通过了解正常衰老的边界，研究人员可以捕捉到阿尔茨海默病或帕金森病等疾病的细微早期迹象，甚至在症状出现之前就能发现它们。几十年来，创建这样一张地图一直非常困难，因为大脑极其复杂，传统方法往往难以将衰老的自然变化与疾病导致的特定损伤区分开来。
来自印度理工学院海得拉巴分校的一个研究小组推出了一种名为 BrainNorm 的新方法，这是一种旨在直接从数据中学习健康大脑图谱的强大工具。该系统并非试图预测一个单一的数字（例如一个人的年龄），而是学习识别数千名健康个体中数百个不同脑区的特定结构。通过对近 6 6,000 份健康人群的脑部扫描图像进行训练，该模型构建了一个详细的参考库，能够准确知晓任何给定年龄下的健康大脑应有的样子。当分析一个新的脑部扫描图像时，系统会将其与这个库进行对比，以观察特定的区域是否正在萎缩，或者是否正以偏离健康路径的方式发生变化。
这项工作的核心在于一种处理方式，它不将大脑视为一个单一的像素块，而是将其视为一系列不同的“邻里”，每个邻里都有其自身的衰老模式。研究人员使用了一种技术，将脑部图像与一组结构化的描述进行对齐，使计算机能够理解：一名 70 岁人士的海马体左侧与一名 30 岁人士的同一区域应当呈现出不同的形态。这创造了一个“语义图谱”（semantic atlas），即一张每个大脑部位都有已知健康轨迹的心理地图。该系统在多种数据集上进行了测试，包括患有阿尔茨海默病、轻度认知障碍、额颞叶痴呆症和帕金森病的人群扫描图像。在每一次测试中，该模型都证明了其识别这些疾病的能力，且无需针对每种疾病进行专门的重新训练，这种能力被称为“零样本学习”（zero-shot learning）。
这项发现之所以特别显著，是因为该模型处理那些通常会干扰医学成像的噪声和变异的方式。以往的方法通常试图重建整个大脑图像以寻找误差，这一过程计算量巨大，且极易受到拍摄方式差异的影响。BrainNorm 通过避免关注原始图像数据，转而关注脑区所代表的“意义”来规避这一问题。研究人员发现，通过简单地观察特定脑区与其对应年龄的健康预期之间的偏差程度，他们就能准确识别疾病。这种方法的表现如此出色，以至于仅通过对模型输出进行简单的线性分析，其效果就超过了那些经过专门训练来识别这些疾病的更复杂的全训练系统。
研究还表明，该模型能够精准定位损伤发生的具体位置。对于阿尔茨海默病，它正确地突出了海马体及周围的记忆中心；对于帕金森病，它识别出了运动控制区域；对于额颞叶痴呆症，它则聚焦于额叶和颞叶。这些模式与既有的医学知识相吻合，表明该模型并非在瞎猜，而是捕捉到了这些疾病真实的生物学特征。此外，该系统还能高精度地估算一个人的“大脑年龄”，即识别出大脑外观比其实际年龄更老的情况，而这正是神经退行性变的常见指标。
该研究最稳健的特点之一是其跨不同医院和扫描仪类型的适用性。该模型是在英国生物样本库（UK Biobank）的数据上训练的，但成功应用于来自美国、澳大利亚和其他国际来源的数据集，尽管这些数据的采集设备存在差异。这表明，该模型已经学习到了一种超越捕捉图像的具体设备之上的、关于大脑健康的根本理解。研究人员还展示了即使在数据非常有限的情况下（例如仅有极少数标记过的疾病样本），该模型仍能表现良好，这使其成为研究缺乏大规模数据集的罕见疾病的一种极具前景的工具。
这项工作并不声称已经解决了诊断脑部疾病的问题，但它提供了一种衡量这些疾病的新型且高效的方法。通过建立一个基于数据的、关于健康大脑在不同年龄应有样貌的清晰定义，BrainNorm 提供了一个可以用来衡量任何个体的基准。这使得医生和研究人员可以提出一个更尖锐的问题：不仅是“这个人是否有疾病？”，而是“这个人的大脑与预期的同龄水平相比有何不同？”研究结果表明，这种通过将个体与习得的常模标准进行对比的方法，是检测早期衰退迹象的有力手段，有望为早期干预和更好地管理神经退行性疾病开启大门。
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。