Мозговая МРТ учится не забывать экспресс
Врач годами учится распознавать болезни по снимкам мозга. Сначала он отлично видит признаки старения, потом осваивает опухоли — и вдруг начинает путаться в том, что знал раньше. Примерно так же ведут себя и многие нейросети: новые знания затирают старые.
Новая модель Alcmaeon решает эту проблему с помощью подхода, напоминающего заметки на полях учебника. Метод Graph-Blueprint Pruning выделяет в сети «опорные конспекты» — группы связей, критически важные для уже изученных болезней. Эти конспекты замораживаются, а остальная часть сети свободно доучивается на новых данных. Модель протестировали на четырёх областях: здоровое старение, нейродегенерация, развитие мозга и опухоли. При переходе к опухолям старые навыки сохранились лучше всего — сеть не разучилась видеть то, что видела раньше.
Любопытно, что «конспекты» оказались разными для разных задач. Для классификации болезней лучше работали одни слои сети, для предсказания выживаемости — другие. Универсального рецепта не нашлось, но сам подход даёт надежду на создание по-настоящему долговечных медицинских помощников. Ведь мозг, в отличие от компьютера, умеет учиться всю жизнь, не стирая старые воспоминания — и Alcmaeon делает шаг в эту сторону.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2608.08319v1
Brain magnetic resonance imaging (MRI) is central to neuroscience and clinical assessment, but models are commonly developed for individual diseases, populations or imaging protocols. Foundation models promise more general representations, yet they are usually pretrained once and can lose earlier capabilities when updated with new data. Here we show that Alcmaeon, a three-dimensional brain MRI foundation model pretrained without manual labels on more than 425,000 volumes and derived imaging maps, can be expanded sequentially across clinical domains. Alcmaeon combines volumetric encoding and latent diffusion generation with Graph-Blueprint Pruning (GBP), which protects network modules important to earlier domains while leaving the remaining capacity trainable. Across expansion from healthy ageing and neurodegeneration to developmental, psychiatric and tumour imaging, GBP showed less forgetting than sequential adaptation and elastic weight consolidation across voxel-level reconstruction measures, with its largest advantage after adaptation to tumour imaging. The blueprints provided an inspectable record of how model capacity was protected and reused. Representations from different model levels supported image synthesis, disease classification, survival modelling and postoperative prediction, although no single representation was optimal for every task. These findings provide a route towards brain MRI foundation models that can grow with emerging data while retaining earlier capabilities.
Метод Graph-Blueprint Pruning работает как «защищённые записи» в блокноте: вы не можете случайно стереть важные формулы, но на чистых страницах пишете что угодно.