يعد التعلم الذاتي (Self-supervised Learning) إحدى أكثر التقنيات الواعدة في معالجة بيانات الأعصاب على نطاق واسع، لكن تأثير استراتيجيات الماسك المدرك للمناطق (region-aware masking) ونمذجة السلاسل الهجينة (hybrid sequence modeling) لا يزال غير مستكشف بشكل كافٍ. في هذا الإطار، نقدم لكم Rhamba، الذي يمثل طفرة في تحليل صور الرنين المغناطيسي الوظيفي (fMRI) الذي يركز على الحالة الراحة.

تم تصميم Rhamba ليجمع بين الماسك الموجه من الناحية التشريحية مع هياكل هجينة من نوع Attention-Mamba. تم تدريب النماذج مسبقًا على مجموعة بيانات ABIDE باستخدام التشفيرات المستندة إلى المناطق وثلاث استراتيجيات ماسك مختلفة (Any، Majority، وPure) تتزايد فيها الدقة المكانية.

خضعت أربعة بدائل معمارية للتقييم: نموذج Mamba فقط، معمارية بديلة تجمع بين كتل Mamba وAttention، واثنين من تكوينات التشفير-الترميز الهجينة (Attention-Mamba (AM) وMamba-Attention (MA)). تم ضبط النماذج المدربة مسبقًا على مهام التصنيف اللاحقة باستخدام مجموعتي بيانات COBRE وADHD-200، التي تتعلق بالتحليل التفريقي بين الفصام (schizophrenia) واضطراب فرط الحركة ونقص الانتباه (ADHD).

استخدمنا طريقة Integrated Gradients، وهي تقنية ذكاء اصطناعي قابلة للتفسير، لتحديد مناطق الدماغ التي تساهم في تنبؤات النماذج. أظهرت استراتيجية الماسك تأثيرًا قويًا على سلوك إعادة البناء، حيث تتابع خسارة إعادة البناء تسلسلًا ثابتًا (Any > Majority > Pure). ومع ذلك، لم تترجم هذه الاتجاهات مباشرة إلى الأداء في المهام اللاحقة، حيث كانت الاختلافات متواضعة وتعتمد على مجموعة البيانات.

حقق الهيكل الهجين بتكوين MA أعلى متوسط AUROC عبر كلا المجموعتين، وتفوق Rhamba على أساليب الحالة الفنية في التقييم المقارن. أظهرت التحليلات على مستوى المنطقة أن أداء القمة يعتمد على تفاعل استراتيجية الماسك والعمارة بدلاً من اعتمادها على تكوين سائد واحد.

بصفة عامة، يقدم Rhamba إطارًا مرنًا لتحقيق التوازن بين القابلية للتفسير، والقابلية للتوسع، والأداء في تعلم تمثيلات الفصائل الكبيرة من الرنين المغناطيسي الوظيفي.