في عالم الطب الحديث، تعد إصابات الدماغ الرضحية (Traumatic Brain Injury - TBI) من أبرز التحديات التي تواجه الأطباء والباحثين. تتطلب نمذجة هذه الإصابات دمج معلومات متعددة، مثل التصوير العصبي الحجمي (volumetric neuroimaging) والمعايير الديمغرافية. ومع ذلك، فإن الحلول التقليدية مثل المحللات العنصرية (Finite Element Solvers) تستنزف موارد الحوسبة بطريقة غير عملية في البيئات السريرية.

هنا تأتي النماذج العصبية (Neural Operators) كحل مبتكر. تمثل هذه النماذج وسيلة أسرع بشكل ملحوظ للتنبؤ بجوانب ميكانيكا الدماغ. على الرغم من أن قدرتها على دمج الصور الحجمي مع بيانات أخرى لا تزال غير مستكشفة بالكامل في سياق التنبؤات الميكانيكية الحيوية، إلا أن الدراسات الأخيرة تسلط الضوء على إمكانياتها.

تستهدف هذه الدراسة تقييم بنى نماذج تشغيل عصبية متعددة الأنماط لتطبيقها على ميكانيكا الدماغ. حيث تمت تجريب استراتيجيتين لدمج المعلومات: الأولى تعتمد على التركيب التبادلي (Field Projection) للأبعاد تبديل العمقي، والثانية تعتمد على تقسيم الفروع (Branch Decomposition) لشبكات العمليات العميقة (Deep Operator Networks - DeepONet). تم اختبار أربعة نماذج (FNO، Factorized FNO، Multi-Grid FNO، DeepONet) على 249 مجموعة بيانات مستخلصة من التصوير بالرنين المغناطيسي (MRE) بترددات تتراوح بين 20 إلى 90 هرتز.

وأظهرت النتائج أن نموذج DeepONet حقق أعلى دقة في تحديد حقول الإزاحة الحقيقية (Mean Squared Error - MSE = 0.0039، دقة 90.0%) بأسرع أوقات استدلال (3.83 it/s) وأقل عدد من المعلمات (2.09 مليون). بينما حقق نموذج MG-FNO الأداء الأفضل على الحقول التخيلية (MSE = 0.0058، دقيقة 88.3%) مع أقل استهلاك لذاكرة GPU بين نماذج FNO (7.12 جيجابايت).

تكشف هذه النتائج عن وجود توازنات واضحة بين الدقة (accuracy) وتحقيق الفضاء (spatial fidelity) والتكلفة الحسابية (computational cost). لذا، توضح النماذج العصبية المعززة بدمج متعدد الأنماط قدرتها الفائقة في التنبؤ بشكل دقيق بإزاحة كل منطقة في الدماغ، مما يفتح آفاقًا جديدة في تطوير حلول سريعة وفعالة في الطب.

هل أنتم مستعدون لاكتشاف المزيد في عالم الابتكار التكنولوجي في المجال الطبي؟ شاركونا آراءكم في التعليقات!