في عالم يتقدم فيه الذكاء الاصطناعي بخطى سريعة، تأتي الأبحاث الجديدة لتغير معالم تحليل الشبكات الدماغية. نحن الآن قد نشهد انطلاقة تقنية جديدة تتمحور حول إطار SABER، وهو نظام يربط دلالات نماذج اللغات الضخمة (LLMs) بشبكات الدماغ.

تشخيص الأمراض الدماغية يتطلب تآزرًا بين أنماط الربط الدماغي والمعرفة الدلالية العميقة. ومع ذلك، كانت الأساليب الحالية تعتمد بشكل كبير على الدلالات كنقاط ذات دعم غير مباشر، مما لا يمكّنها من التأثير المباشر في عملية اتخاذ القرار. ولحل هذه المشكلة، يقترح الفريق البحثي إطارًا يدمج دلالات LLMs بشكل نشط ضمن عملية التوقع.

وفي هذا السياق، يتم إدماج دلالات المناطق المحددة (ROI-level semantics) باستخدام انتباه ذاتي عالمي، مما يغني تمثيلات العقد ويوفر سياقًا شاملًا للدماغ. وتم بناء هايبرغرافس متعددة الأبعاد (multi-scale hypergraphs) بصورة تسمح بنمذجة الشبكات الفرعية الوظيفية والتفاعلات بين المناطق المتعددة، متجاوزةً القيود المحلية للنهج التقليدي وتحقيق اعتماديات أعلى.

أخيرًا، يتضمن الإطار آلية محاذاة دلالية على مستوى القرار، حيث يتم ضخ تمثيلات نصية خاصة بالمرضى مباشرةً في تمثيلات الرسوم البيانية، مما يتيح للدلالات توجيه التوقعات دون التأثير على بنية الشبكة الأساسية.

تظهر التجارب على مجموعات بيانات الشبكات الدماغية العامة ABIDE وADHD-200 أداءً متميزًا، مع تعزيز الاستقرار وزيادة القابلية للتفسير، لا سيما في إعدادات العينات الصغيرة.

باستخدام SABER، يُعيد الباحثون صياغة كيفية دمج المعرفة الدلالية في تقنيات تحليل الشبكات الدماغية. هل أنتم مهتمون بالتطورات في هذا المجال؟ شاركونا آرائكم في التعليقات!