تعتبر عملية تحليل الصور الطبية واحدة من أكثر التحديات تعقيدًا في مجال الذكاء الاصطناعي. ومن أبرز هذه التحديات هو نقص مجموعات البيانات الكبيرة المعلّمة التي تستهدف فئات محددة من الأمراض. ومعتمدًا على نمو أنظمة التعلم العميق، يحتاج الباحثون إلى استراتيجيات فعالة لتقليل الاعتماد على التوصيفات اليدوية.

يبرز التعلم الذاتي (Self-supervised Learning) كحل واعد لتطوير نماذج أساس قوية عبر تمكين تعلم تمثيلات ميزات قابلة للنقل من مجموعات بيانات الصور الطبية غير المعلّمة على نطاق واسع. في هذه الدراسة، تم استكشاف مهمة تنبؤ عمر الدماغ على مستوى الفوكسل كمهمة فرعية مخصصة، وتمت مقارنتها مع طريقة إعادة رسم الصور (Image Inpainting) التي تُستخدم عادةً كمهمة بديلة غير مخصصة.

علاوة على ذلك، تم اقتراح إطار عمل للتدريب الذاتي متعدد المهام (Multitask Self-supervised Pretraining Framework) والذي يسعى إلى تحسين كلا الهدفين لتعلم تمثيلات تصوير عصبي مكملة. تم تقييم النماذج المدربة مسبقًا على ثلاث مهام لتجزئة صور الرنين المغناطيسي: تجزئة آفات التصلب المتعدد، تجزئة آفات السكتة الدماغية الإقفارية، وتجزئة بنية الدماغ القشرية.

بصفة عامة، أظهر إطار العمل المقترح عدة مزايا، حيث تفوق على النماذج المدربة لمهمة واحدة والتدريب من الصفر في معظم الإعدادات التجريبية. مما يثبت أهمية دمج المهام الفرعية المخصصة والعامة في تطوير نماذج تصوير عصبي عامة وقابلة للتطبيق.

لمزيد من المعلومات، يمكن الاطلاع على الشيفرة المصدرية المستخدمة في هذه الدراسة المتاحة على GitHub.