نموذج M²PFN: ثورة في تعلم الخوارزميات المتعددة الأنماط لتشخيص ألزهايمر

في عالم تقنيات الذكاء الاصطناعي، يُعتبر دمج البيانات المتعددة الأنماط خطوة حيوية، وخاصة في مجالات حساسة مثل تشخيص الأمراض. هذا ما يقدمه نموذج M²PFN، الذي تم تطويره لزيادة فعالية تشخيص مرض ألزهايمر (Alzheimer's Disease) من خلال استغلال تقنيات التعلم في السياق (In-Context Learning - ICL) والتعلم المتعدد الأنماط.

مع أن هناك العديد من الأساليب التي تجمع بين البيانات التصويرية والبيانات الجدولية لتشخيص مرض ألزهايمر، إلا أن الكثير منها يواجه صعوبات في التعميم عبر مختلف المجموعات السكانية. إلا أن نموذج M²PFN يأتي كحلاً مبتكراً يتغلب على هذه العقبة بأسلوبه الفريد.

يعمل M²PFN كإطار عمل شامل يتضمن:
1. **استنتاج تفاضلي:** يستخدم النموذج العميق (Transformer) الخاص بـ TabPFN ويعيد توجيه تدرجات المهام إلى مشفرات الصور الثلاثية الأبعاد (3D-MRI) والبيانات الجدولية.
2. **محاذاة متعددة الأنماط:** يقوم النموذج بمحاذاة البيانات من أنماط مختلفة إلى فضاء مشترك، مما يُحسن التواصل بين البيانات التصويرية والجدولية.
3. **اختصار قابل للتعلم:** يوفر نموذج M²PFN وسائل لتحسين التنبؤ من خلال تصاميم معقدة تمكن من الاستفادة من البيانات الموجودة.

عند اختباره على مجموعة بيانات ADNI، حصل M²PFN على معدل فوز مقداره 65.55% في معيار الدقة الموزونة (macro-F1) و82.21% في معيار المساحة تحت منحنى الأداء (macro-AUC). كما تمكن من التفوق على مجموعة شاملة من المعايير الأحادية والمتعددة الأنماط.

المزید من ذلك، استطاع نموذج M²PFN تحقيق أفضل أداء في مجموعتين من البيانات الخارجية (OASIS-3 وSCAN) من دون الحاجة لإعادة التدريب، مما يبرز فعاليته العالية في التعميم.

إذاً، هل يعد M²PFN هو مستقبل تشخيص مرض ألزهايمر عبر دمج البيانات المتعددة الأنماط؟ نحن في انتظار آرائكم القيمة حول هذا الابتكار.