新型AI模型实现脑疾病筛查透明高效计算

近日，成均馆大学信息实验室塔梅尔·阿布赫迈德教授团队在《IEEE生物医学与健康信息学杂志》发表研究成果，成功开发出名为4DfCF的新型视觉Transformer架构。该模型专用于四维功能性磁共振成像数据分析，旨在提升脑部疾病辅助诊断的透明度与计算效率。 传统功能性磁共振成像数据兼具空间分布与时序变化特征，处理难度极大。4DfCF通过多尺度学习机制，同步捕捉脑区的局部与远距离动态关联，有效解析复杂的脑活动模式。为突破医疗人工智能黑箱难题，研究团队引入可解释性技术，生成可视化预测图谱，精准标注影响诊断结论的关键脑区，为临床医生提供直观的决策依据。 在多项基准数据集测试中，该模型全面优于对比算法。尤其在阿尔茨海默病数据集上，其F1分数高达96.28%。此外，该模型参数量仅约一千零三十四万，轻量化设计大幅降低算力需求，且展现出优异的跨数据集迁移学习潜力，有助于构建可复用的医疗模型底座。 该成果整合了高性能、低算力消耗、可扩展性与可解释性四大核心指标，标志着神经影像人工智能向透明可信方向迈出关键一步。尽管目前基于科研数据集验证，尚未进入临床部署，但其为未来人机协同的精准医疗系统奠定了坚实基础。