تشير الأبحاث الأخيرة إلى أهمية الكشف المبكر عن ضعف الإدراك المعتدل (MCI)، وهو مرحلة حيوية تسبق مرض الزهايمر، وبالتالي يعد التشخيص المبكر أمرًا بالغ الأهمية. لكن كيف يمكننا معالجة التحديات المتعلقة بندرة البيانات وعدم توازن الفئات، فضلاً عن الغموض التشخيصي بالقرب من الحدود السريرية؟ هنا، يأتي دور نموذج الذكاء الاصطناعي الجديد الذي يعتمد على إطار عمل مبتكر للكشف عن MCI.

تقدم الدراسة إطار عمل فعال يعتمد على نموذج DINOv2-Small المتجمد، حيث قمنا بتطويره من خلال استخدام ثلاثة رموز تعليمية قابلة للتعلم مرتبطة كل واحدة منها بوظيفة معينة. يعتمد هذا النموذج على 1.19 مليون معامل تدريبي، حيث يتم استخدام كل رمز كاستعلام ضمن طبقة الانتباه المشتركة على مقاطع الصورة.

تتيح هذه التصميمات تحقيق الشفافية المكانية من خلال خرائط الانتباه، ما يمكّن من تحليل البيانات بطريقة أكثر وضوحًا. كما يتم دمج تمثيلات البيانات الموجهة من خلال وحدة انتباه لقياس أهمية كل حالة على حدة.

بالإضافة إلى ذلك، تم تقديم فقد (loss) معدل مستوحى من اختبار MoCA، الذي يمزج بين درجات الإدراك المستمرة في الهدف التدريبي، مما يسمح بتعديل الفقد وتوزين العينة بذكاء.

ومن خلال اختبار النموذج باستخدام عملية إعادة تقييم خماسية الطبقات الموزعة (stratified five-fold cross-validation)، حقق الإطار المقترح نتيجة MCI-class F1 تصل إلى 0.641 و AUC تبلغ 0.795، متفوقًا على نموذج ResViT الأكثر تكلفة بمقدار 0.110 في نتيجة F1 لنموذج MCI.

تتميز هذه الدراسة بإمكانية استخدامها كتأسيس لأساليب جديدة ومبتكرة لتحسين طرق الكشف عن الاضطرابات الإدراكية، وإمكانية تطبيقها للأبحاث السريرية في المستقبل.