基于模拟的推断达到理论极限：用最少扩散数据实现快速、稳健的微观结构MRI

更快的脑部扫描为何重要

磁共振成像（MRI）能揭示脑组织的精细结构，但最有信息量的扫描往往又很慢且噪声大。长时间的扫描让患者不适，在繁忙的医院难以安排，对儿童或重病患者几乎不可行。本研究提出了一个简单但影响重大的问题：是否可以利用智能计算模拟和人工智能，从更短、更嘈杂的弥散MRI扫描中挤出同样丰富的信息，同时不牺牲可靠性？

用水分子的运动窥见大脑内部

弥散MRI跟踪水分子在脑组织中的抖动和游走。因为水分子沿神经纤维、穿过细胞体或绕过受损区域的移动方式不同，这些运动模式就像脑微观结构的指纹。多年来，科学家构建了若干模型家族，将弥散信号转换为组织性质图谱。更简单的方法，如弥散张量成像，总结了水分子移动的容易程度和方向性。更先进的方法，如弥散峰度成像以及像CHARMED和AxCaliber这样的生物物理模型，旨在捕捉纤维密度乃至典型轴突直径等细节。这些图谱可作为“虚拟活检”，在不手术的情况下提供疾病线索——但它们通常需要大量重复测量和长时间扫描。

传统拟合的瓶颈

将原始弥散测量转化为有意义的图谱是一个数学拟合问题：通过调整模型参数直到预测的信号与扫描器测得的信号相匹配。如今最常见的工具，如非线性最小二乘法，通过最小化模型与数据之间的平方差来实现。尽管简单且广泛使用，这些方法在测量远多于严格需要的情况下效果最佳——相当于为了保险拍十倍的照片。当噪声较高或初始猜测不好时（在真实临床数据中很常见），它们也会表现不佳。更新的统计方法可以改进这些问题，但通常速度慢，对噪声假设敏感，且很少在研究中心之外被采用。

从模拟中学习而非直接从患者数据学习

作者采取了不同路线：他们不是直接从患者扫描中学习，而是完全用模拟数据来训练神经网络。他们随机采样大量可能的模型参数组合，利用已知的弥散物理生成合成信号，加入逼真的噪声，然后训练所谓的神经后验估计器。该网络学会输出可能产生给定信号的一组参数的完整概率分布，自然同时提供最佳估计和不确定性评估。为使方法在不同扫描仪设置下更具灵活性，团队没有直接输入原始测量值，而是将每个信号压缩为紧凑的、符合物理知识的特征，概括其随梯度强度、方向和弥散时间的变化。这些特征捕捉了信号的要义，同时在很大程度上独立于具体的采集方案。

用少量数据匹配最佳表现

训练完成后，系统在已知“真值”的合成数据以及若干人类数据集上进行测试，包含健康志愿者和多发性硬化患者。在三类模型——弥散张量成像、弥散峰度成像和AxCaliber——中，基于模拟的方法即使只使用7–22次测量而非完整协议的69–271次测量，也能准确恢复关键的微观结构指标。这意味着扫描次数最多可减少90%。在噪声较大或测量数量被大幅削减的情况下，新方法始终优于标准拟合，生成更清晰、保留重要结构的图谱。它还能检测到多发性硬化病灶内预期的变化，并在胼胝体中恢复已知的轴突尺寸分布，表明其对健康和病变组织均具有良好的泛化能力。

对患者和临床的意义

对非专业读者而言，结论是：作者展示了如何通过大量依赖模拟和先进推断，从更短且可能质量较低的弥散MRI扫描中获得几乎相同的脑组织微观视图。他们不是向扫描仪索要更多数据，而是让计算机更好地利用较少的数据。这可能缩短检查时间，使常规医院更容易获得高级成像，甚至挽救那些以次优设置获取的既往研究。因为该方法完全在模拟信号上训练，所以也更易于保护隐私并便于分享与扩展。如果被广泛采用，这种基于模拟的推断方式有望缩小前沿研究协议与日常临床MRI之间的差距，使虚拟组织活检更接近标准化护理。

引用: Eggl, M.F., De Santis, S. Simulation-based inference at the theoretical limit for fast, robust microstructural MRI with minimal diffusion data. Commun Med 6, 275 (2026). https://doi.org/10.1038/s43856-026-01614-6

关键词: 弥散MRI, 脑微结构, 基于模拟的推断, 神经网络, 扫描时间缩短