AI segmentation requires accounting for brain size to maintain performance on developmental MRI cohorts
本研究表明，通过将婴儿 MRI 扫描图像进行缩放和裁剪以匹配成年大脑尺寸，可以显著提高 SynthSeg 深度学习工具的性能，使发育队列中的成功分割率从 36% 提升至 91%。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下，你正试图教一个机器人识别不同种类的水果。你给它看了成千上万张巨大的、成熟的西瓜和苹果的照片，教会它“水果”究竟长什么样。但随后，你递给机器人一颗小小的、未成熟的葡萄，并问它：“这是水果吗？”机器人可能会感到困惑。这并不是因为葡萄不是水果，而是因为机器人的训练对象全是大型、成年尺寸的水果。它不知道如何处理如此之小的东西，也不知道当水果还年幼时颜色会有怎样的变化。这正是科学家在尝试利用人工智能（AI）研究人类大脑时所面临的这类难题。
在神经科学领域，研究人员使用 MRI 扫描——就像是对你的头部内部进行超详细的 3D 摄影——来观察大脑是如何生长和变化的。长期以来，AI 工具在分析成年人的这些照片方面表现出色。但当科学家尝试将这些相同的工具用于婴儿和儿童时，AI 经常出错。为什么呢？因为婴儿的大脑相对于成年人来说太小了，其外观在扫描图中也完全不同。这就像是试图把一个幼儿的手塞进一只巨大的成年人手套里；形状完全不对。这一点至关重要，因为如果我们无法准确测量儿童的大脑，我们就无法发现发育障碍的早期迹象，也无法理解大脑是如何发育的。大问题在于：我们能否修复 AI，使其适用于所有人（从新生儿到成年人），而不需要为每个年龄段都构建一个全新的机器人？
这篇论文讲述了一组研究人员决定解决大脑扫描中这个“手套”问题。他们测试了一个名为 SynthSeg 的流行 AI 工具，这个工具就像是一个超级智能的数字外科医生，可以自动在不同的大脑部位周围画线。他们发现，当把婴儿的扫描图输入该工具时，它的表现极其糟糕。在每 100 份婴儿扫描图中，只有大约 36 份通过了质量检查，这意味着 AI 无法可靠地绘制大脑图谱。研究人员意识到，AI 之所以感到困惑，是因为它在训练期间只“见过”成年大小的大脑。婴儿的大脑实在太小了，而且扫描图中周围有太多的空白空间（比如颈部和肩膀），导致 AI 无法理解。
于是，团队想出了一个巧妙的两步走策略来帮助 AI 理解婴儿。首先，他们在数字层面“拉伸”婴儿的大脑扫描图，使它们看起来与成年大脑的大小一致。这就像是在缩放一张微小的照片，直到它填满整个屏幕。其次，他们对图像进行了“裁剪”，切掉了所有多余的背景内容（如颈部和肩膀），这样 AI 就只能看到大脑，就像它看成年人扫描图时那样。他们将这种新方法称为“重缩放 + 裁剪”（rescale + crop）。
结果具有划时代的意义。当他们应用这个新技巧时，婴儿扫描图的成功率从 36% 跃升至 91%。突然之间，AI 能够清晰地观察婴儿大脑，质量得分也随之上升，达到了与实际图谱精度相匹配的水平。研究人员在包含从婴儿到成年人的 26,000 份扫描图的海量数据集中测试了这一方法，发现这种简单的调整使 AI 能够在整个生命周期内平稳运行。他们不需要从头开始重新训练 AI 或构建一个新模型；他们只需要教会 AI 以一种符合它已有知识的方式去观察婴儿扫描图即可。
该论文还排除了其他几种可能性。它表明，问题不仅仅在于婴儿扫描图中的“对比度”或颜色（这些颜色会随着大脑发育而变化），而特别在于尺寸和视野的问题。他们发现，仅仅拉伸图像是不够的；你也必须裁剪掉背景，否则 AI 仍会被多余的空间搞糊涂。虽然这个解决方案目前效果显著，但作者也谨慎地指出，婴儿的大脑不仅仅是“缩小版的成年大脑”——它们拥有独特的形状和纹理，而这种方法并不能完全捕捉到这些特征。然而，这一修复方案让科学家能够使用同一个可靠的工具，来追踪从出生到成年的人类大脑发育过程，从而为理解大脑如何生长以及生长过程何时出现偏差打开了大门。
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。