麻省理工學院推出能追蹤腦幹重要白質通路的人工智慧演算法

揭開黑盒子：麻省理工學院（MIT）的 AI 革命化腦幹成像

數十年來，人類腦幹（human brainstem）一直是醫學成像中最難捉摸的區域之一。由於其結構密集、複雜且易受生理噪聲影響，腦幹常被描述為「黑盒子」。這個至關重要的控制中心負責調節從呼吸、心率到意識與睡眠的各項基本功能。如今，麻省理工學院（MIT）、哈佛大學（Harvard University）與麻省總醫院（Massachusetts General Hospital, MGH）的一項突破性合作，打破了這些視覺化障礙。

研究團隊推出了 BrainStem Bundle Tool (BSBT)，這是一種人工智慧（Artificial Intelligence, AI）演算法，能夠使用標準的擴散磁振造影（diffusion MRI）掃描，自動分割腦幹內的八個不同神經纖維束。這項詳述於《美國國家科學院院刊》（Proceedings of the National Academy of Sciences）的進展，有望改變帕金森氏症（Parkinson’s disease）、多發性硬化症（multiple sclerosis, MS）以及創傷性腦損傷（traumatic brain injury, TBI）等神經系統疾病的診斷與監測。

成像「神經電纜」的挑戰

腦幹是連接大腦與身體其餘部位的主要通路。它充滿了「白質」（white matter）——即傳輸驅動運動控制與感官處理信號的軸突束。儘管其至關重要，但這些路徑的成像在歷史上一直充滿困難。

「腦幹是一個基本上未被探索的大腦區域，因為它很難成像，」該研究的第一作者、MIT 醫學工程與醫學物理項目（Medical Engineering and Medical Physics Program）的博士候選人 Mark Olchanyi 解釋道。

挑戰有兩方面：

規模： 神經束極其微小且密集排列，使其難以相互區分。
噪聲： 腦幹鄰近主要動脈與脊柱。每一次心跳與呼吸都會產生微小的運動與流體脈動，進而在磁振造影（MRI）掃描中產生「偽影（artifacts）」，導致影像模糊。

在此突破之前，臨床醫生必須依賴手動分割——這是一個耗時耗力且容易出現人為錯誤的過程——或依賴無法解析更精細、更深層路徑的自動化工具。

BSBT 的運作原理：混合 AI 方法

BrainStem Bundle Tool 透過將拓撲學知識與深度學習相結合來克服這些障礙。該演算法並非僅根據腦幹內的多噪聲數據來識別神經束，而是採用了兩步過程：

概率映射： 該工具首先追蹤從視丘和小腦等較清晰的鄰近區域延伸至腦幹的纖維束。這會創建一個「概率纖維圖」，用於預測路徑應有的位置。
卷積神經網路（Convolutional Neural Network）： 一個 AI 模組同時處理此地圖與原始擴散 MRI 數據。該網路將結構預測與實際成像數據融合，以精確描繪八個不同神經束的邊界。

為了訓練該系統，Olchanyi 及其團隊利用了來自 人類連接組計畫（Human Connectome Project） 的高品質掃描數據，並由專家進行了手動標記。AI 的準確性進一步透過與離體大腦解剖得出的「地面真值（ground truth）」數據進行驗證，確保軟體的數位地圖與物理上的解剖實體相符。

臨床突破：以高解析度觀察疾病

BSBT 的真正力量在於其臨床實用性。透過提供清晰的白質完整性視角，該工具已經識別出以前在標準掃描中無法看見的神經退化性疾病特定生物標誌物。研究人員在不同的患者數據集上測試了該演算法，揭示了與不同疾病相關的獨特損傷模式。

表 1：BSBT 在各類神經系統疾病中的發現

疾病狀況	BSBT 探測到的結構變化	臨床意義
帕金森氏症	三個特定神經束的結構完整性降低。隨時間推移，第四個神經束出現體積流失。	能夠在運動症狀惡化前進行早期診斷並精確追蹤神經退化情況。
多發性硬化症	在四個不同的神經束中觀察到明顯的體積流失與結構損壞。	提供定量指標以監測疾病進展及髓鞘修復療法的療效。
創傷性腦損傷	觀察到昏迷患者神經位移而非斷裂。	區分永久性損傷與暫時性擠壓，有助於預後判斷。
阿茲海默症	在疾病早期探測到腦幹白質完整性的細微變化。	表明在某些表型中，腦幹受累可能早於皮質萎縮。

康復故事：即時追蹤癒合過程

研究中最具說服力的驗證之一來自一名 29 歲患者的案例，他在創傷性腦損傷後陷入昏迷。傳統成像對其腦幹路徑的具體情況提供的資訊有限。

使用 BSBT，研究團隊回顧性地分析了該患者在七個月期間的掃描結果。AI 揭示，關鍵的神經束並未斷裂，只是被腫脹和病變推到了一邊。隨著患者康復並恢復意識，該演算法追蹤到神經束回歸到原始位置——這種精細的康復監測在以前是不可能實現的。

「腦幹是人體最重要的控制中心之一，」該研究的高級作者、MIT 皮考爾研究所（Picower Institute）教授 Emery N. Brown 指出。「透過增強我們對腦幹成像的能力，[Olchanyi] 為我們提供了接觸重要生理功能的新途徑，例如呼吸和心血管系統的控制、體溫調節、我們在白天的清醒程度以及夜間的睡眠質量。」

對醫療保健的未來影響

BSBT 作為開源工具的發布標誌著神經影像學（neuroimaging）的關鍵時刻。透過公開代碼，MIT 團隊邀請全球研究界進一步完善模型，並將其應用於更廣泛的疾病，包括自閉症類群障礙（autism spectrum disorder）與睡眠中止症（sleep apnea）。

對於關注醫療保健與人工智慧交集的 Creati.ai 讀者來說，這項進展強調了一個關鍵趨勢：AI 不再僅僅是在分析數據，它還在 清理並重建數據。透過濾除生理噪聲並利用解剖背景，AI 讓我們能夠以前所未有的清晰度觀察人體內部，這是單靠物理學無法實現的。

隨著臨床試驗可能採用這項技術，我們可能很快就會看到從腦損傷的定性評估轉向精確、定量的「損傷報告」，以指導個人化康復策略。「黑盒子」終於被打開，其內部的景象有望挽救生命。