A Comparative Evaluation of Structural MRI Foundation Models for Age, Sex, and Body-Mass Index Predictions

يُعد الدماغ البشري عضواً معقداً، ويتمثل أحد الأهداف المركزية لعلوم الأعصاب الحديثة في فهم كيفية تغيره بمرور الوقت أو اختلافه بين الناس. ولرؤية ما بداخل الدماغ الحي دون جراحة، يعتمد الباحثون على التصوير بالرنين المغناطيسي، وهي تقنية تنشئ خرائط ثلاثية الأبعاد مفصلة لبنية الدماغ. لعقود من الزمن، قام العلماء بتحليل هذه الخرائط عبر قياس سمات محددة يدوياً، مثل سمك الطبقة الخارجية للدماغ أو حجم سطحه المتعرج. وقد وفرت هذه القياسات، المعروفة بالسمات المورفومترية (الشكلية)، أساساً متيناً لدراسة حالات مثل مرض ألزهايمر أو التأثيرات الطبيعية للشيخوخة. ومع ذلك، فإن جمع عدد كافٍ من صور المسح الدماغي لدراسة الحالات النادرة أو المجموعات السكانية المتنوعة أمر صعب، كما أن الطرق التقليدية غالباً ما تتطلب جهداً بشرياً كبيراً لتفسير البيانات. وفي السنوات الأخيرة، ظهر نهج جديد: تدريب أنظمة حاسوبية على مجموعات ضخمة من صور الدماغ لتمكينها من التعرف على الأنماط بمفردها. وقد صُممت هذه الأنظمة، التي تُسمى "النماذج التأسيسية"، لفهم الصور الخام مباشرة، مما قد يوفر طريقة أكثر قوة لاستخراج المعلومات الهادفة من الصور الطبية مقارنة بالطرق القديمة.

لقد وضع فريق من الباحثين هدفاً لاختبار ما إذا كانت هذه الأنظمة الحاسوبية الجديدة تقدم حقاً ميزة على الطرق الراسخة المستخدمة لسنوات. وركزوا على أربعة نماذج متاحة للجمهور تم تدريبها مسبقاً على مجموعات بيانات كبيرة من صور الدماغ. ولرؤية مدى فاعلية هذه النماذج في سيناريوهات العالم الحقيقي، جمع الباحثون صور الرنين المغناطيسي من ثلاث مجموعات مختلفة من الناس: المصابين بمرض باركنسون، وشبكة من الأطفال والبالغين الأصحاء، ومجموعة كبيرة من المتطوعين الأصحاء. وطلبوا من النماذج الحاسوبية تنفيذ ثلاث مهام محددة شائعة في أبحاث الدماغ، وهي: تحديد جنس الشخص، وتقدير عمره، والتنبؤ بمؤشر كتلة الجسم لديه. ولضمان مقارنة عادلة، اختبر الفريق هذه النماذج الجديدة مقابل نهج قياسي يعتمد على قياس سمك ومساحة سطح قشرة الدماغ، وهي الطريقة التي لطالما اعتُبرت المعيار الذهبي في هذا المجال. واستخدموا إطار اختبار متسقاً لم يُسمح فيه للنماذج الحاسوبية بتعلم أي شيء جديد أثناء الاختبار، مما يضمن أن تعكس النتائج فقط ما تعلمته النماذج بالفعل من تدريبها الأولي.

أظهرت النتائج أن النماذج الحاسوبية الجديدة لم تنتصر تلقائياً في كل مرة. فبينما تفوقت بعض النماذج التأسية على القياسات التقليدية في مهام محددة أو مع مجموعات معينة من الناس، إلا أن الصورة العامة كانت مختلطة. فقد تفوق نموذجان، وهما 3D-Neuro-SimCLR وAnatCL، باستمرار على الطرق التقليدية في معظم الاختبارات. ومن بينهما، أظهر نموذج 3D-Neuro-SimCLR الأداء الأكثر موثوقية، رغم أنه واجه صعوبة في مهمة محددة تتعلق بتصنيف الجنس في مجموعة بيانات HBN. أما النماذج الأخرى التي تم اختبارها فلم تتفوق باستمرار على القياسات التقليدية، مما يشير إلى أن قدرة الحاسوب على تعلم أنماطه الخاصة من الصور الخام لا تضمن نتائج أفضل في كل موقف. كما وجد الباحثون أن الطريقة التي فهم بها هذه النماذج الجديدة الدماغ تختلف عن الطريقة التي تصفها بها القياسات التقلية، مما يشير إلى أن الحاسوب كان يرى علاقات في البيانات قد تغفل عنها القياسات التي صممها البشر.

تقدم هذه الدراسة معياراً واضحاً للمجال، حيث تُظهر أنه على الرغم من الوعود الكبيرة التي تحملها هذه النماذج الحاسوبية المتقدمة، إلا أنها ليست بديلاً عالمياً للتقنيات الراسخة بعد. وتشير النتائج إلى أن نماذج مثل 3D-Neuro-SimCLR وAnatCL هي أدوات قوية بشكل خاص لتحسين التنبؤات في تصوير الدماغ، لكن نجاحها يعتمد بشدة على السؤال المحدد المطروح والمجتمع الذي تتم دراسته. ولمساعدة العلماء الآخرين على مواصلة هذا العمل، أتاح الباحثون طرق اختبارهم للجمهور، مما خلق مورداً حياً يمكن من خلاله إضافة نماذج جديدة ومقارنتها مع تطورها. وتضمن هذه الشفافية قدرة المجال على المضي قدماً بفهم واضح للأدوات الأفضل عملًا، وتجنب الافتراض بأن التكنولوجيا الأحدث هي دائماً الأفضل دون دليل. ويؤكد هذا العمل أن هذه النماذج التأسيسية هي إضافة قيمة لأدوات عالم الأعصاب، حيث توفر مساراً نحو تنبؤات أكثر دقة عندما يتم مطابقة النموذج المناسب مع المهمة المناسبة.