🍃作者介绍：25届双非本科网络工程专业，阿里云专家博主，深耕 AI 原理 / 应用开发 / 产品设计。前几年深耕Java技术体系，现专注把 AI 能力落地到实际产品与业务场景。
🦅个人主页：@逐梦苍穹
🐼GitHub主页：https://github.com/XZL-CODE
✈ 您的一键三连，是我创作的最大动力🌹

1、前言

2026 年 2 月，一篇发表在 Nature Biomedical Engineering 上的论文引爆了整个医学 AI 圈——密歇根大学推出的 Prima 模型，能在数秒内读完一份完整的脑部 MRI，覆盖 52 种神经系统疾病的诊断，准确率高达 97.5%。

研发团队甚至给它取了个响亮的绰号：“医学影像领域的 ChatGPT”。

几乎同一时间，哈佛/麻省总医院的 BrainIAC 模型登上 Nature Neuroscience，伦敦大学学院的自监督脑 MRI 模型也发表于 Radiology AI。三项重磅成果在 2026 年初集中爆发，标志着脑部 AI 影像正式从**"单一任务辅助工具"进入"全科基础模型"时代**。

作为一个长期关注 AI 落地应用的从业者，我认为这波突破不仅仅是学术界的狂欢——它正在重塑从急诊室到基层卫生院的整个脑疾病诊疗链。这篇文章将从技术原理、临床数据、产业竞争格局三个维度，深入拆解这场革命。

2、三大里程碑模型：2026 年初的集中爆发

2.1 Prima：秒级全脑诊断，覆盖 52 种疾病

Prima 是密歇根大学 Todd Hollon 团队的作品，也是目前公开报道中覆盖疾病种类最多、准确率最高的脑部 MRI AI 模型。它的核心架构是视觉语言模型（Vision Language Model, VLM）——和我们熟悉的多模态大模型思路一脉相承，既能"看图"也能"读文"。

训练数据层面，Prima 使用了密歇根大学健康系统数十年积累的 22 万例以上 MRI 研究、560 万条成像序列，同时融合了患者的临床病史和医嘱信息。

在持续一年、涵盖约 29,500 例 MRI 的前瞻性评估中，Prima 交出了惊人的成绩单：

• 52 种神经系统疾病诊断
• 平均 AUC 92%，最高 97.5%
• 数秒内完成从读片到出报告
• 能自动标记紧急情况（脑出血、急性卒中等）
• 可生成可解释的鉴别诊断报告

Prima 目前仍处于研究阶段，尚未获得 FDA 批准，但它验证了一个关键命题：一个通用基础模型可以胜任传统需要多个专科模型才能完成的脑部影像分析任务。

2.2 BrainIAC：自监督基础模型，小样本之王

2026 年 2 月 5 日，哈佛医学院 Benjamin Kann 团队在 Nature Neuroscience 发表了 BrainIAC（Brain Imaging Adaptive Core）。

与 Prima 的有监督 VLM 路线不同，BrainIAC 走的是自监督对比学习路线（SimCLR-ViT-B 架构），使用 34 个数据集、48,965 例脑 MRI 进行预训练。它的核心优势在于：

• 覆盖阿尔茨海默病、卒中、帕金森病、脑肿瘤等 10 种神经系统疾病
• 脑年龄预测 MAE 6.55 年
• 胶质瘤 IDH 突变预测 AUC 79%
• 在小样本（few-shot）场景中大幅超越任务特异性模型

最重要的是，BrainIAC 已在 GitHub 开源，这对学术界和产业界的后续研究都意义重大。

2.3 UCL 自监督模型：60,000 例训练，无需人工标注

2025 年 12 月，伦敦大学学院（UCL）发表的模型另辟蹊径——使用 60,000 余例脑 MRI 及对应的放射科报告进行训练，完全不依赖人工标注。这种"报告驱动"的训练方式让模型能从放射科医生的自然语言描述中学习影像特征。

成绩也相当亮眼：正常/异常区分准确率 95%，具体疾病识别 90%。该团队计划 2026 年在英国多家医院启动多中心随机对照试验。

3、技术架构演进：四代范式的跃迁

要理解 Prima 们为什么如此强大，需要回顾整个脑部 MRI AI 技术架构的演进脉络。

3.1 第一代：U-Net 家族（2015-至今仍在使用）

U-Net 的对称编码器-解码器结构与跳跃连接是医学影像分割的基石。nnU-Net 作为自配置框架，在 BraTS 脑肿瘤分割挑战赛中至今保持标杆地位。2024 年 Isensee 等人的回顾研究甚至表明，大多数声称超越 nnU-Net 的新架构在严格验证后仍然无法稳定超越它。

一个有意思的数据：nnU-Net 在无需钆增强剂的情况下检测对比增强肿瘤时，以 83% 平衡准确率、91.5% 敏感度超越了 11 位专家放射科医生（69.8% 准确率、75.9% 敏感度）。

3.2 第二代：混合 Vision Transformer（2021-）

Swin-UNETR、TransBTS 等混合架构将 CNN 的局部特征提取与 Transformer 的全局注意力机制结合。混合视觉 Transformer（如 HVU-ED）在脑肿瘤分割中达到 98.91% 准确率。但这一代模型仍需要针对每个具体任务进行大量微调。

3.3 第三代：自监督基础模型（2024-）

BrainIAC 和 UCL 模型代表了这一代。核心思路是先在大量无标注数据上学习通用的脑影像表征，再通过少量标注数据微调到具体任务。MedSAM（2024 年 Nature Communications）使用 157 万对图像-掩模训练，比原始 SAM 提升了 22.51% 的 Dice 分数。

3.4 第四代：视觉语言模型 / VLM（2026-）

Prima 代表的 VLM 范式是当前最前沿的方向。它将影像理解与自然语言推理统一到一个模型中，能同时处理影像数据和临床文本，输出人类可读的诊断报告。这也是为什么研发者称它为"医学影像领域的 ChatGPT"——它不只是分割或分类，而是理解、推理、报告的全链路。

在速度优化层面，NVIDIA TensorRT 通过层融合和精度校准实现 3.7 倍加速，模型量化（INT4 AWQ、FP8）可将模型体积压缩 2-4 倍，使 AI 在现代 GPU 上完成分割任务仅需约 2 秒。

4、速度与准确率：数据说话

AI 与传统人工阅片的效率差距，用一张图就能看清楚：

一些值得关注的关键数据点：

速度维度：

• Prima 数秒完成全脑 MRI 综合诊断，而人工平均需要数分钟到数小时
• Geisinger Health 研究显示，AI 辅助将颅内出血从扫描到诊断的时间从 8.5 小时缩短到 19 分钟——这意味着在急性脑出血这种"时间就是大脑"的场景中，AI 可以挽救大量神经细胞
• 数坤科技的头颈 CTA 后处理从 30 分钟以上压缩到 5 分钟以内

准确率维度：

• 2020 年 Radiology 研究：AI 系统在 19 种脑部疾病的 Top-3 鉴别诊断准确率达 91%，超过学术神经放射科专家的 86% 和住院医师的 56%
• DeepSeek-R1 在 4,293 份脑 MRI 报告上达到 97.6% 患者级准确率
• Aidoc 在 101,944 例头颅 CT 真实世界验证中实现 96.6% 总体准确率

但也有值得警惕的数据： 运动伪影可使 AI 出血检测准确率下降 21%，而放射科医生仅下降 7%。这说明 AI 在"理想条件"下确实强大，但在真实临床的噪声环境中，人机协作仍然是最优解。

5、五大临床场景已规模化落地

5.1 脑卒中：AI 最成熟的战场

脑卒中是 AI 脑影像最成功的商业化场景。Viz.ai 的大血管闭塞（LVO）检测算法已部署在全球 1,700 余家医院，患者平均提前 66 分钟接受卒中治疗。在中国，数坤科技的卒中一站式 AI 已覆盖近 3,000 家医疗机构，引入后 DNT 时间平均缩短一半以上，急救成功率达 98%。

5.2 脑肿瘤：从分割到分子分型

nnU-Net 在 BraTS 挑战赛达到 Dice 83%、HD 3.8mm。基础模型在肿瘤检测（94.9%）、鉴别（92.3%）和分子分型预测（80.4%）上比从零训练模型提升约 10%。中国安德医智于 2020 年获得国内首张颅内肿瘤 MR AI 三类证。

5.3 阿尔茨海默病：从诊断到预测

Darmiyan 的 BrainSee 于 2024 年 1 月获 FDA De Novo 批准，能预测 5 年内轻度认知障碍向 AD 的转化，准确率 88-91%。icometrix 的 icobrain aria 成为首款检测抗淀粉样蛋白疗法副作用 ARIA 的 AI 工具。随着 Lecanemab 等 AD 新药上市，ARIA 监测需求正在爆发式增长。

5.4 多发性硬化：AI 终于超过了人类

AI 工具 iQ-MS 的病例级敏感度达 93.3%，远超标准放射报告的 58.3%——这可能是 AI 在脑影像领域对人类优势最大的单一场景。

5.5 颅内出血：部署最广泛的 AI 应用

Aidoc 和 Viz.ai 的 FDA 获批产品已在急诊放射科实现自动分诊与工作列表优先级排序，是目前全球部署量最大的脑影像 AI 应用。

6、全球产业竞争格局

6.1 国际市场格局

国际市场已形成以 Viz.ai（卒中）、Aidoc（急诊分诊）、Qure.ai（全球出海）三大巨头为核心的竞争格局。

Viz.ai 是卒中 AI 的绝对王者，2026 年 1 月宣布医疗业务实现盈利——这在烧钱成风的医疗 AI 行业极为罕见。Aidoc 则在 2025 年 7 月完成 1.5 亿美元 E 轮融资，NVIDIA 旗下 NVentures 参投，同年 9 月获得 FDA 突破性设备认定。Qure.ai 以 19 项 FDA 批准、105+ 国家部署的成绩入选《时代》全球最具影响力公司 100 强。

6.2 中国市场格局

中国市场的双雄是联影智能和数坤科技：

• 联影智能：2024 年完成 10 亿元 A 轮融资（估值 100 亿元），12 张 NMPA 三类证 + 15 款 FDA 认证，2025 年发布"元智"五合一医疗大模型
• 数坤科技：脑部 AI 证照数量行业第一，累计 17 张三类证，"数字脑"产品覆盖卒中全流程

深睿医疗（14 张三类证）和推想科技（四大市场认证）紧随其后。安德医智虽然拿下了国内首张颅内肿瘤 MR 三类证，但 2022 年后面临经营困难。

7、监管与审批进展

7.1 FDA：873 款放射 AI 获批，但基础模型零突破

截至 2025 年中，FDA 已批准 873 款 AI/ML 放射影像算法。97% 通过 510(k) 路径获批。但一个重要的信号是：尚无任何基于生成式大语言模型的放射产品获得 FDA 批准。FDA 正在探索如何识别和标记包含基础模型/LLM 的医疗器械——这意味着 Prima 这样的 VLM 模型距离临床部署还有不短的监管路径要走。

7.2 中国 NMPA：207 款三类证，政策全面加速

截至 2025 年 12 月，NMPA 累计批准 207 款 AI 医疗器械三类证，其中 100 余款为医学影像产品。2025 年的政策密集度前所未有：

• 国务院发布《深入实施"人工智能+"行动》，医疗列为六大重点
• 五部门联合要求 2030 年二级以上医院普遍开展 AI 辅助诊断
• NMPA 专门发布 AI 医疗器械审批优化措施

这些政策为中国 AI 脑影像企业提供了明确的增长确定性。

8、从技术奇迹到临床标配：还有多远？

8.1 乐观的一面

• 技术可行性已验证：Prima 的 97.5% 准确率证明了通用基础模型的可行性
• 商业模式已跑通：Viz.ai 盈利说明 AI 脑影像可以赚钱
• 政策红利明确：中美两国都在积极推动 AI 医疗落地
• 临床刚需爆发：抗 AD 新药上市带来的 ARIA 监测需求，是确定性增量

8.2 需要跨越的鸿沟

• 学术 → 临床的验证缺口：Prima、BrainIAC 等尚未经历前瞻性多中心验证
• 对抗真实世界噪声：运动伪影等因素对 AI 准确率的影响仍是短板
• 监管路径待明确：FDA 对 LLM 类医疗器械的监管框架尚在探索
• 支付意愿不足：中国 AI 医学影像 2020-2024 累计收入不足 30 亿元，商业化依然艰难

8.3 我的判断

从 AI 工程的视角看，脑部 MRI AI 的技术路线图已经非常清晰：基础模型 + 自监督预训练 + 视觉语言融合。这三个方向的交叉点就是未来 2-3 年的技术制高点。

但"技术成熟"到"临床标配"之间，最大的变量不是算法本身，而是监管框架的适配速度和医院端的支付意愿。全球 AI 脑 MRI 病灶检测市场 2025 年约 10 亿美元，预计 2030 年增至 26.9 亿美元（CAGR 22.2%），增长空间明确但起点仍小。

对于关注 AI 医疗赛道的技术人和投资者来说，2026 年 Q1 的这波集中爆发是一个重要的信号：基础模型正在重塑整个医学影像行业的技术底座。 从窄任务到全科阅片，从需要大量标注到自监督学习，从输出分割掩模到生成自然语言报告——这不是量变，是质变。

9、总结

2026 年初的三篇顶刊论文——Prima、BrainIAC、UCL 模型——共同宣告了脑部 MRI AI 基础模型时代的到来。秒级解读、97.5% 准确率、52 种疾病覆盖，这些数字已经不是"未来"，而是正在发生的"现在"。

在商业落地端，Viz.ai 盈利、Aidoc 融资 3.7 亿美元、联影智能估值百亿、数坤科技 17 张三类证——产业链已经相当成熟。真正的挑战在于：如何让这些强大的基础模型通过监管审批，走完从实验室到病床旁最后一公里。

这场从"辅助工具"到"全科 AI 放射科医生"的范式转换，可能是 AI 在医疗领域最深刻的一次落地。

🚀 持续探索 AI 与前沿技术 分享大模型应用、软件开发实战与行业洞察。 欢迎关注公众号 【龙哥AI】，加入 7000+ 技术同行的交流圈！ 🌟 探索技术边界，让开发更有效率