في عالم الطب العصبي، يعتبر الرنين المغناطيسي للدماغ (Brain MRI) من الأدوات الأساسية التي تدعم مجموعة واسعة من التطبيقات السريرية. However, معظم الطرق المعتمدة على التعلم كانت تقليديًا مرتبطة بمهام معينة وتتطلب كميات كبيرة من البيانات الموسومة، مما وضع قيودًا على فعاليتها.

لكن الآن، تقدم لنا تقنية جديدة تحت اسم BrainDINO نموذجًا قويًا يساعد في تجاوز هذه القيود. تم تدريب هذا النموذج، الذي يعرف بنموذج الأساس الذاتي المطبق على الرنين المغناطيسي، على حوالي 6.6 مليون شريحة محورية غير موسومة من 20 مجموعة بيانات متنوعة، مغطية تنوعًا واسعًا في السكان والمرض وظروف الاكتساب.

ما يميز BrainDINO هو قدرته على التعلم الذاتي والذي يسمح له بتعميم المعرفة عبر نقاط نهاية متعددة للرنين المغناطيسي للدماغ. باستخدام مشفر ثابت ورؤوس مهام خفيفة الوزن، تمكن هذا النموذج من دعم الانتقال بين مهام متعددة، مثل تصنيف الأورام، وتصنيف الحالات التنكسية والعصبية، وتقدير عمر الدماغ، وكذلك التنبؤ بالتوقيت بعد السكتة الدماغية.

تظهر النتائج أن BrainDINO استطاع أن يحقق نتائج تعادل أو تتجاوز طرق التعلم الذاتي التقليدية المخصصة للرنين المغناطيسي والصور الطبيعية، خاصة في حالات ندرة البيانات. كما أظهرت تحليلات التمثيل أن الهيكل العاملي للنموذج منظم تشريحيًا ويحافظ على حساسية عالية للأنماط المرضية، حتى في غياب إشراف خاص بالمهام.

تعكس هذه النتائج إمكانية اعتماده كأداة موحدة لتحليل التصوير العصبي، حيث يمكن الاعتماد عليه في مهام مختلفة دون الحاجة إلى تدريب كامل على الشبكة أو إعادة ضبط دقيقة، مما يمهد الطريق لمستقبل مشرق لتطبيقات الرنين المغناطيسي للدماغ اعتمادًا على تقنيات التعلم الذاتي.