في عالم البحث العصبي، تُعد شبكات الاتصال الدماغية (connectomes) الأداة الأساسية لفهم التوصيلات العصبية بين مناطق الدماغ. ومن هذا المنطلق، تم تقديم MAGNET، وهي شبكة انتشار الرسوم البيانية المتعمدة على المانيفولد، في أحدث الأبحاث.

تسعى MAGNET إلى معالجة التحديات المرتبطة بتوليد شبكات الاتصال الوظيفية من خلال استخدام تمثيل تشوليكي المنظم (normalized-Cholesky) للمانيفولد الخاص بمصفوفات الترابط. هذه التقنية تضمن أن تكون البيانات المتولدة صحيحة من الناحية الرياضية.

تعمل MAGNET على تحسين البيانات المزعجة عبر رفع حالات الانتباه إلى مستويات منطقة التحليل (ROI-level). كما تقوم بتوظيف تقنيات متقدمة مثل التكييف المعتمد على الفئات والجسور الهيكلية الموزعة، مما يساعد في معالجة المشاكل الهيكلية التي تنتج عن التصنيفات الخشنة.

من خلال تقييم النتائج عبر ثلاث مجموعات بيانات رئيسية (ABIDE وADNI وOASIS-3)، أظهرت MAGNET تحسناً ملحوظاً يتراوح بين 7-21% في دقة الفئات الشرطية، مع كفاءة أفضل في عملية أخذ العينات.

أكثر من ذلك، بالرغم من التدريب باستخدام تسميات ثنائية صارمة فقط، تمكنت MAGNET من الحفاظ على التنوع السريري من خلال التركيب الفرعي الدقيق لشبكات الاتصال، محققة تحسناً في توافق تباين الفئات الفرعية يصل إلى 30%.

تعتبر هذه النتائج دليلاً على أن الصحة الهندسية ضرورية ولكن غير كافية لتحقيق المنفعة السريرية في تركيب شبكات الاتصال. بالإضافة إلى ذلك، فإن الجهود الرامية إلى جعل عملية إزالة الضوضاء في الانتشار متعمدة على المانيفولد تُظهر إمكانية الاستفادة منها في مجالات متعددة أخرى، مما يجعلها مشكلة حرجة في عدد من الإعدادات العامة.

يمكنكم الاطلاع على كود المشروع من خلال الرابط التالي: MAGNET GitHub Repository.