في عالم الذكاء الاصطناعي، قامت نماذج الدماغ الأساسية (BFMs) بإعادة تشكيل أسس الفهم والتحليل الفعال للبيانات الوظيفية. ولكن كيف يمكن استخدام التقدم التكنولوجي لتحقيق نتائج أفضل؟ في دراسة جديدة تم الإعلان عنها على arXiv، تمت معالجة هذا السؤال بطريقة مبتكرة.

تركز الدراسة على استخدام التراجع الريجاسي متعدد الحدود (KRR) المطبق على مصفوفات الاتصال الوظيفي (FC)، والذي لا يزال يقدم نتائج أفضل في التنبؤ بالسمات الفردية مقارنة بأي نموذج آخر تم اختباره. يعود الفضل في هذه التحسينات إلى تطبيق مرشح طيفي فعال، يعمل على إعادة ضبط القيم الذاتية لمصفوفة FC لكل موضوع، مما يمكّن النموذج من الاستفادة بشكل أكبر من الفروق الفردية.

أظهرت النتائج عبر 5 مجموعات بيانات و11 تقسيمًا و6 أهداف تنبؤية أن النموذج الجديد قد يتطابق مع أو يتجاوز الخط الأساسي للـ KRR. هذا الإنجاز يقودنا إلى خطوة جديدة من خلال تدريب نموذج مشفر صغير باستخدام 4000 ساعة من بيانات تصوير الدماغ الوظيفي (fMRI) المستخلصة من 162 مجموعة بيانات مفتوحة.

بفضل هذا النموذج، أصبحت فرص تحسين الدقة أعلى، كما أظهر الأداء المقبول مقارنة بأفضل النماذج المنشورة سابقًا مع عدد أقل بشكل ملحوظ من المعلمات. الأهم من ذلك، أن نموذجنا يتفوق في الأداء مقارنةً بـ FC عند scans القصيرة وفي مجموعات أصغر، وهو ما يعتبر خطوة هامة في مجالات الفحص البيولوجي.

إننا نعيش في عصر جديد من الذكاء الاصطناعي، حيث تمثل هذه التطورات فرصة لتحسين فهمنا وتعزيز قدرتنا على التصنيف والتنبؤ في مجالات متعددة. ما هي توقعاتكم حول مستقبل نماذج فحص الدماغ؟ شاركونا في التعليقات.