NeuroDrift：面向阿尔茨海默病研究的连续时间多模态3D脑基础模型

NeuroDrift是由RishiShah99发起的开源3D脑基础模型项目，结合连续时间流、多模态融合、因果推理等技术，支持药物干预模拟和年龄跨度预测，为神经退行性疾病研究提供新工具。项目目前处于Phase 0阶段，旨在构建能理解大脑随时间变化的深度学习系统，其浏览器交互界面可直观展示干预效果。

• 原作者/维护者：RishiShah99
• 来源平台：GitHub
• 原始链接：https://github.com/RishiShah99/neurodrift
• 发布时间：2026-06-09
• 当前阶段：Phase 0（采购与基础设施建设） 项目核心目标是创建理解大脑随时间变化的系统，聚焦阿尔茨海默病等神经退行性疾病研究。

NeuroDrift的技术架构包含九大创新：

1. 3D体积隐空间与连续时间流：直接3D操作，捕捉连续变化；
2. 大规模多队列训练数据：计划用15万张MRI，覆盖9-90岁；
3. 多模态融合：支持多种影像模态，模态dropout提升实用性；
4. 因果推理：用IPW和孟德尔随机化实现反事实模拟；
5. 药物类别引导：64维治疗嵌入区分干预类型；
6. 校准不确定性估计：随机插值器提供概率化输出；
7. 可解释机制：SAE识别关键生物标志物方向；
8. 浏览器端3D渲染：分层高斯解码器实现流畅交互；
9. 完全开源：发布权重、模型及API，MIT许可证。

• 开发工具：uv（Python环境）、Node22（Web演示）、自定义fleet系统调度GPU集群；
• 数据管道：遵循BIDS标准，注重质量控制；
• 模型借鉴：参考C4G、Stable Diffusion3、随机插值器等前沿工作。

NeuroDrift可应用于：

• 临床研究：理解阿尔茨海默病进展机制；
• 药物开发：虚拟筛选加速候选药物评估；
• 临床决策：个性化疾病进展预测辅助治疗； 其代表AI在神经科学的新范式：从分类诊断转向动态、因果、可干预预测。

• Phase0：数据采购与基础设施建设（当前阶段）；
• Phase1：多模态3D VAE和生命周期流训练（用1.2万张数据）；
• Phase2：扩展到纵向数据子集；
• Phase3+：整合更多队列数据并验证下游任务； 详细规划见PLAN.md。

面临的挑战包括：

• 数据隐私与伦理：需严格保护医疗影像数据；
• 模型泛化：不同扫描仪/人群差异影响性能；
• 因果推断可靠性、计算资源需求、临床验证复杂性； 应对措施：负责任使用条款（docs/MODEL_LICENSE.md），Phase1后重新评估队列使用策略。

NeuroDrift整合连续时间建模、多模态融合等技术，为神经退行性疾病研究提供强大工具。其开源承诺和创新将为领域提供经验，值得关注AI与神经科学交叉领域的研究者密切跟踪。