Comparative Study of Anatomical and Learned Features in AI Models for Structural Brain MRI
本研究评估了 80,000 份脑部 MRI 扫描中的解剖学、监督式 CNN 和无监督 ViT 特征提取范式，发现简单的解剖模型可达到复杂的 AI 性能水平，并提出了一种在生物年龄估计方面优于现有模型的创新解剖分割预训练（ASP）方法。
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
几十年来，医生和科学家一直通过观察脑部扫描图像来理解大脑的工作机制以及疾病发生时会出现什么问题。为此，他们通常依赖于测量大脑的特定部分，例如海马体——这是一个位于大脑深处、对记忆至关重要的结构。这些被称为解剖学特征的测量方法，长期以来一直是将大脑图像转化为有用数据的标准方式。然而，近年来，一种新的方法应运而生：人工智能。这些计算机程序可以观察扫描图像，并学会自行识别模式，而无需被明确告知要测量什么。人们曾希望这些机器能够发现人类肉眼或简单测量可能忽略的细微线索，从而为阿尔茨海默病或帕金森病等疾病提供更好的诊断。但随着这些强大的工具变得越来越复杂，一个根本性的问题仍然悬而未决：这些智能机器究竟是学到了新知识，还是仅仅以一种更复杂的方式重新发现了那些旧有的解剖学事实？
纽约大学的一个研究小组决定通过将三种主要的脑部扫描分析方法进行正面交锋来回答这个问题。他们收集了海量的脑部图像，总计近 10 万份扫描图像，来自全球约 8 万名不同个体的 18 个公开数据集。他们在三种不同的系统上测试了这些图像。第一种是传统方法，它使用软件测量 178 个不同脑区的体积和表面积，然后将这些数值输入到一个简单的统计模型中。第二种是标准的深度学习网络，这是一种通过逐像素处理图像来寻找模式的人工智能类型。第三种是基于视觉 Transformer（vision transformer）技术的一种更新、更先进的模型，该技术在接受针对特定医学任务的测试之前，已经在海量的无标签脑部数据上进行了训练。
这一大规模对比的结果令人惊讶。在包括诊断阿尔茨海默病、识别肿瘤以及预测生物学年龄在内的七项不同临床任务中，基于直接解剖测量值的简单模型表现得与复杂的深度学习系统一样出色。在许多情况下，复杂的 AI 模型并没有在诊断准确性上超越直观的脑容量和表面积测量。这表明，对于目前的医疗数据集而言，深度学习带来的额外复杂性并不一定能转化为更好的诊断精度。研究人员发现，先进的 AI 模型确实学到了有用的信息，但它们似乎只是以一种更间接的方式，学习着那些简单模型已经掌握的相同解剖学事实。
然而，当研究人员转向一个拥有更多数据支持的任务时——估算一个人的生物学年龄——情况发生了变化。在这一特定测试中，涉及超过 6 万名受试者，最先进的模型开始脱颖而出。研究人员观察到，虽然标准的 AI 模型会随着时间的推移学会识别大脑结构，但这一过程进展缓慢。为了加速这一过程，研究团队开发了一种名为“解剖分割预训练”（Anatomy Segmentation Pretraining）的新型训练方法。研究人员不再只是让 AI 去猜测图像中的内容，而是通过强制要求它在训练阶段明确识别并勾勒出特定的脑区来引导其学习。这种方法结合了大尺度 AI 的力量与已知解剖学事实的清晰度，产生了所有模型中最准确的年龄估算结果，其表现优于标准 AI 和传统的测量模型。
这项研究得出结论：尽管先进的人工智能是一个强大的工具，但它尚未使旧的大脑解剖测量方法过时。对于许多常见的医学任务，直接测量大脑结构仍然是一种高效且有效的基准。研究人员建议，脑成像 AI 的未来不在于取代这些解剖学事实，而在于教导机器如何更快、更深入地学习它们。通过利用明确的解剖学知识来引导人工智能，科学家可以创建出不仅更准确，而且更能理解人类在衰老或患病过程中发生的具体生物学变化的模型。这项工作为如何构建下一代医疗 AI 提供了一条清晰的路线图，确保这些强大的工具能够植根于人类大脑真实的物理结构之中。
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。