تعد دراسة الاتصال الوظيفي للدماغ (Functional Connectivity) واحدة من أهم مجالات البحث في علم الأعصاب الحديث، وقد أسهمت تقنية التشفير الذاتي المُقنَّع (Masked Autoencoders - MAEs) بشكل كبير في تحسين فهمنا لهذا المجال. لكن هل تساءلت يومًا عن كيفية تحويل مصفوفات الاتصال الوظيفي بطريقة تنسجم مع تنظيم الدماغ الشبكي الواسع؟

في هذا السياق، تقدم تقنية NERVE (Network-Aware Representations of Brain Functional Connectivity via Bilinear Tokenization) طريقة جديدة مبتكرة لتحسين كيفية تقسيم وتشفير هذه المصفوفات. بدلاً من الطرق الحالية التي تتجاهل التعقيد الشبكي الكبير للدماغ، تقوم NERVE بتقسيم المصفوفات إلى كتل من الاتصالات الداخلية والخارجية بين الشبكات.

ما يميز الدراسة الجديدة هو أن وحدات التشفير التي تستند إلى الشبكات ليست متجانسة في الحجم، مما يعكس الأدوار الوظيفية المختلفة لها. ولتجاوز التحديات المرتبطة بمقاييس البيانات، تستخدم NERVE طريقة تحليل ثابتة ثنائية الخطوة (Bilinear Factorization) التي تحافظ على هوية الشبكة وتقلل من تعقيد المعلمات من الشكل التربيعي إلى الخطّي.

أظهرت التقييمات على ثلاث مجموعات كبيرة (ABCD وPNC وCCNP) تقدماً ملحوظاً في دقة التنبؤ بالسلوك والاضطرابات النفسية مقارنةً بالنماذج الأخرى. وتؤكد الدراسات الإضافية أن الأسلوب المقترح يعد حاسمًا في تحسين الأداء.

بالتالي، تبرز هذه الدراسة أهمية الدمج بين البنية الهيكلية الخاصة بالمجال وطرق التعلم الذاتي في دراسات الاتصال الوظيفي للدماغ.