NBE：香港科技大学陈浩等发布MARS：一个模型通吃全身MRI多任务分析

多序列磁共振成像（MRI）对于临床

诊断

至关重要，因为它能够全面表征复杂的解剖结构。然而，其显著的异质性限制了深度学习模型的泛化能力，并阻碍了临床转化。

2026年7月13日，香港科技大学陈浩、南方医科大学赵英华、中山大学Duan Xiaohui共同通讯在

Nature Biomedical Engineering

在线发表题为

“Large-scale multi-sequence pretraining for generalizable MRI analysis in versatile clinical applications”

的研究论文。该研究发布了MARS—一个基于33.6万多序列MRI容积预训练的基础模型，覆盖10个解剖部位。其核心创新在于解耦解剖特征与序列特征，使模型能跨器官、跨协议泛化。

在44项下游任务（涵盖分割、诊断、分级、配准、报告生成等）中，MARS在41项取得第一，且在外部数据上展现出更强的鲁棒性，为临床MRI分析提供了一个可扩展、可迁移的基础模型。

磁共振成像（MRI）是现代临床诊断中的基础成像方式，能够以出色的对比分辨率提供无创、无辐射的软组织可视化。通过调节采集参数，MRI可以生成超过100种序列，每种序列都旨在强调特定的组织特征或病理特征。在临床实践中，判读通常需要整合来自多个序列的信息。然而，多序列MRI具有异质性且通常不完整，使得分析具有挑战性且耗时。

深度学习在自动化医学图像分析方面显示出巨大的前景，但大多数现有方法依赖于监督学习，需要大量专家标注数据，因此在临床环境中难以扩展。此外，这些模型通常针对特定器官或成像协议量身定制，可能难以泛化到来自不同扫描仪、机构和患者群体的未见数据。自然图像与医学图像之间巨大的领域差异，以及MRI的三维（3D）性质和采集特异性对比度，限制了可迁移性和可扩展性。即使是Med3D等医学预训练方法通常也需要大量带标签的微调。

研究概述（图源自

Nature Biomedical Engineering

）

该研究提出了MARS，一个大规模MRI基础模型，采用一种新颖的预训练策略，将解剖不变特征与序列特异性变异解耦，以学习稳健且可泛化的表示，适用于多样化的临床应用。研究人员收集了涵盖10个解剖结构和多种MRI序列的64个数据集。其中，来自34个数据集（8个公共数据集和26个私有数据集）的336,476个容积扫描被整理以构建一个大规模的多器官、多序列MRI预训练语料库。

还建立了一个包含44个下游任务的基准测试，涵盖诊断、分割、配准、进展预测和报告生成。MARS在44个基准测试中的41个中排名第一，并具有

统计

学上显著的改进。其在异质性和外部数据集上的强劲表现突显了MARS作为面向多样化真实世界多序列MRI分析的可扩展基础。

参考消息：https://www.nature.com/articles/s41551-026-01740-5