في عالم الأبحاث العصبية، يتطلب تحليل التصوير المتعدد الأنماط معالجة معقدة تتعلق بالتحضير المسبق (preprocessing) للبيانات، والتي تعتمد على تدفقات عمل متقدمة تتطلب عناية خاصة وتنسيق بين أدوات متنوعة. لكن مع ظهور NeuroAgent، أصبح بالإمكان تغيير هذه اللعبة.

NeuroAgent هو إطار قائم على نموذج اللغة الضخم (LLM) يهدف إلى أتمتة خطوات المعالجة والتحليل الأساسية لبيانات تصوير الدماغ مثل التصوير بالرنين المغناطيسي الهيكلي (sMRI)، والتصوير الوظيفي بواسطة الرنين المغناطيسي (fMRI)، والتصوير بالرنين المغناطيسي الانتشاري (dMRI)، وتصوير الانبعاث البوزيتروني (PET).

تتميز بنية NeuroAgent المعقدة بهندسة متعددة الوكلاء تدير عمليات المعالجة بشكل تفاعلي، حيث يمكن للباحثين إجراء تحليلات لاحقة باستخدام استفسارات بلغة طبيعية. تعتمد هذه المنصة على محرك Generate-Execute-Validate، حيث يمكن للوكلاء توليد شيفرات معالجة منفذة والكشف عن الأخطاء وإصلاحها خلال التشغيل، مما يعزز من نزاهة البيانات وجودتها بشكل تلقائي.

أجري تقييم النظام على مجموعة بيانات تشمل 1,470 موضوعاً عبر جميع مراحل عينة ADNI، حيث أظهرت النتائج أن النظام حقق دقة تصل إلى 100% في تحليل النوايا، مع أدق نموذج (Qwen3.5-27B) الذي حقق 84.8% من دقة خطوات المعالجة.

عند استخدام البيانات المُعالجة تلقائياً لتصنيف مرض الزهايمر، أظهر فريق العمل أداءً متميزاً حيث سجل AUC يصل إلى 0.9518 عبر أربع طرق تصويرية، متفوقاً بذلك على الأساليب الأحادية.

إن NeuroAgent يُظهر قدرة مذهلة على تقليل الجهود اليدوية المطلوبة للمعالجة المسبقة ويتيح مسارات تحليل ذاتية بالكامل، وهو ما يمثل قفزة نوعية في أبحاث التصوير العصبي. لذا، هل أنتم مستعدون لاستكشاف آفاق جديدة في عالم أبحاث الدماغ؟ شاركونا آراءكم في التعليقات.