في عالم الأبحاث العصبية، أصبحت النماذج الأساسية (Foundation Models) كالأدوات السحرية التي تُعزز من فهمنا للاضطرابات العصبية من خلال نمذجة الاتصال الوظيفي الديناميكي (Dynamic Functional Connectivity) في الدماغ. مؤخرًا، اقترح باحثون إطار عملٍ جديد يُعرف باسم RE-CONFIRM لتقييم قوة المؤشرات الحيوية المرتبطة بالاضطرابات العصبية.

تشير النتائج الأولية التي تم الحصول عليها من استخدام هذا الإطار على خمسة مجموعات بيانات كبيرة تتعلق بالتوحد (Autism Spectrum Disorder - ASD) واضطراب فرط الحركة وتشتت الانتباه (Attention-deficit Hyperactivity Disorder - ADHD) ومرض الزهايمر (Alzheimer's Disease - AD) إلى أن قياسات الأداء الأكثر شيوعًا غير كافية لتقييم فعالية المؤشرات الحيوية التي تحددها نماذج الذكاء الاصطناعي.

وكشفت مقاييس RE-CONFIRM أن عملية تعديل النماذج الأساسية أدت إلى نماذج لم تتمكن من التقاط المراكز الإقليمية بشكل فعال، حتى في الاضطرابات العصبية التي يُعرف أنها مرتبطة بتلك المراكز، مثل ASD وADHD.

لذا، اقترح الفريق البحثي تقنية جديدة تُسمى Hub-LoRA (Low-Rank Adaptation) التي تهدف إلى تحسين أداء النماذج الأساسية، بحيث يمكن أن تتفوق على النماذج المتخصصة الأخرى وتنتج مؤشرات حيوية مرتبطة علميًا. وتعتبر RE-CONFIRM تقنية قابلة للتطبيق بشكل عام ويمكن استخدامها بسهولة لتقييم فعالية نماذج الذكاء الاصطناعي المدربة على بيانات التصوير بالرنين المغناطيسي الوظيفي.

لمزيد من المعلومات والتفاصيل الفنية، يمكنكم زيارة صفحة المشروع على GitHub: [رابط إلى الأكواد](https://github.com/SCSE-Biomedical-Computing-Group/RE-CONFIRM).