في عالم الأبحاث العصبية، يوفر التصوير الرسومي للدماغ رؤى هامة تساعد في تشخيص الأمراض العصبية التنكسية مثل مرض الزهايمر. ومع أن ظهور الشبكات العصبية الرسومية (Graph Neural Networks) قد أحدث طفرة في فهم العلاقات بين مناطق الدماغ، إلا أن هناك تحديات لا تزال قائمة في تفسير الشبكات العصبية.

تتسم بعض الأساليب التقليدية، مثل تلك التي تعتمد على التجميع التلافيفي (Convolutional Approaches)، بصعوبة في دمج المعلومات من الأحياء البعيدة. بينما تعاني الطرق المعتمدة على الانتباه (Attention-Based Methods) من عدم قدرتها على الاحتفاظ بالخصائص الحيوية من العقد المحورية. هذه العيوب تشكل عائقاً في القدرة على تحديد الاختلافات المتعلقة بالمرض من ميزات متعددة.

لذا، قدم الباحثون نموذجًا متكاملًا يوجه عملية الانتشار عند كل عقدة باستخدام محول متقدم (Transformer)، حيث يتم دمج الخصائص القصيرة والطويلة المدى عبر تقنيات مخصصة وتعدد الرؤوس. تم إثبات تفوق هذا النموذج من خلال تحسين دقة تصنيف مرض الزهايمر المبكر (Preclinical Alzheimer's Disease) باستخدام معلومات متعددة، مما يسهل تحديد مناطق الاهتمام الرئيسية المرتبطة بمراحل المرض الأولية.

ويمثل هذا الإبداع خطوة هامة نحو تحقيق تشخيص مبكر وفعال لمرض الزهايمر، مما قد يساعد في تحسين استراتيجيات الوقاية والعلاج.