في دراسة رائدة نشرت على arXiv، تم تقييم ثلاث مقاربات شعبية لاستخراج الميزات في نماذج التصوير العصبي المعتمدة على الذكاء الاصطناعي. تشمل هذه المقاربات:

1. حساب الأسطح والأحجام التشريحية.
2. التعلم المراقب باستخدام الشبكات العصبية الالتفافية (CNN).
3. التعلم غير المراقب لنماذج المحولات البصرية (ViT) مع تقنيات الإشراف المتقدم.

اعتمدت الدراسة على بيانات من 18 مجموعة بيانات متاحة للعامة، تضم ما يزيد عن 3D من صور الرنين المغناطيسي T1، تم جمعها من حوالي 80,000 مشارك عبر سبع مهام سريرية مميزة.

تُظهر النتائج أن نموذجاً خطياً يعتمد على الميزات التشريحية يمكنه تحقيق أداء تشخيصي يضاهي الميزات المعقدة التي تتعلمها نماذج الذكاء الاصطناعي المتقدمة. بالإضافة إلى ذلك، كشفت التحليلات أن الشبكات العصبية الالتفافية ونماذج المحولات المدربة مسبقاً تتعلم الميزات التي تلتقط المعلومات التشريحية ذات الصلة بطرق غير مباشرة، مما يلغي الحاجة لاستخراج الميزات بشكل صريح.

علاوة على ذلك، اقترحت الدراسة طريقة جديدة تُدعى "تحضير التشريح للتجزئة (Anatomy Segmentation Pretraining - ASP)"، التي تمثل خطوة مهمة نحو دمج المعلومات التشريحية أثناء فترة التحضير للنماذج الأساسية، والتي أثبتت تفوقها في تقدير العمر البيولوجي مقارنة بالنماذج الحالية.