في إطار الجهود المستمرة لفهم التدهور الإدراكي وصعوبات الذاكرة التي تسبق مرض الزهايمر، تم تقديم نموذج جديد يُعرف باسم شبكة Generative Counterfactual Attention-guided Network (GCAN). يُعتبر هذا النموذج ثوريًا في تشخيص الحالات الضعيفة كالتدهور الإدراكي الطفيف (MCI) والتراجع الإدراكي الذاتي (SCD). يعتمد GCAN على التقنيات المعتمدة على التحليل الارتباطي (connectome) المتعدد الوسائط، مما يتيح فهمًا عميقًا للتغيرات الوظيفية والهيكلية التي تحدث في الدماغ.

يتناول النموذج التفسير الواضح لتشخيص التدهور الإدراكي من خلال معالجة المشكلة كعملية توليد مضاد من المصدر إلى الهدف. حيث يتم توليد خرائط الاتصال المستهدفة من مدخلات الاتصال المصدر، مع استخدام الاختلافات بينهما لإنشاء خرائط انتباه مضادة.

للحفاظ على التوبولوجيا (topology) الخاصة بالشبكات، يستخدم GCAN محول ثنائي الاتجاه مدرك للخريطة (Atlas-aware Bidirectional Transformer) الذي يقوم بترميز وفك ترميز بيانات الشبكة تحت قيود خريطة الدماغ.

تم توسيع العمل ليشمل نمذجة الاتصال الوظيفي والهيكلي، مما يسمح بإجراء تحليلات مضادة تفصيلية على التغيرات الوظيفية والتنظيم الهيكلي.

أثبتت التجارب التي أُجريت على بيانات مستشفى وبيانات ADNI أن أداء GCAN تنافسياً عبر مهام تصنيف HC مقابل SCD، HC مقابل MCI، وSCD مقابل MCI. كما تدعم التحليلات المرئية ودراسات الشك والتقييم الثقة والموثوقية في هذا النموذج المبتكر.

ختم الباحثون بتأكيد أهمية تطوير مصنفات مسبقة تدريب مخصصة لكل نوع من الاتصال، مما يساعد في توفير سوابق حالة مستهدفة لتوليد مضاد دون حدوث تسرب للبيانات. هذا الإبداع في نموذج GCAN قد يمثل المستقبل في تشخيص وعلاج تدهور الإدراك المبكر.