Stel je voor dat je een gigantische, 3D-puzzel van het menselijk brein hebt, maar je hebt de afbeelding op de doos nog nooit gezien. Je hebt geen leraar die je vertelt welk stukje waar hoort, en je hebt ook geen label dat zegt: "dit is een 25-jarige" of "dit is een tumor." Dit is de uitdaging waar artsen voor staan met MRI-scans: er zijn er miljoenen van, maar slechts een klein deel heeft de dure, tijdrovende labels die nodig zijn om computers te leren ze te begrijpen.

Maak kennis met COJEPA, een nieuw "zelflerend" AI-model dat probeert de geheimen van het brein te ontrafelen door simpelweg naar de ruwe puzzelstukjes te kijken.

Het Tweekoppige Monster

De meeste AI-modellen die proberen te leren van ongelabelde afbeeldingen, gebruiken meestal een van de twee volgende strategieën:

1. De "Invul-de-blanco" Kunstenaar (JEPA): Dit model bekijkt een deel van de hersenen, dekt een deel ervan af en probeert te raden wat eronder zit op basis van de omliggende context. Het is erg goed in het begrijpen van lokale details, zoals hoe de textuur van de hersenplooien verbonden is met de volgende plooi.
2. De "Lijkt-erop" Detective (Contrastive Learning): Dit model neemt twee licht verschillende foto's van hetzelfde brein en probeert ze in zijn geheugen identiek te maken, terwijl het ervoor zorgt dat ze totaal anders lijken dan de hersenen van andere mensen. Het is erg goed in het uitzoeken van: "Wie is dit?"

Het artikel betoogt dat het doen van slechts één van deze taken niet genoeg is voor 3D-hersenscans. De "invul-de-blanco" kunstenaar is te vaag om tweelingen van elkaar te onderscheiden, en de "lijkt-erop" detective is te gefocust op het grote plaatje om de kleine, lokale details van de hersenstructuur te begrijpen.

De Belangrijkste Bevinding: De auteurs combineerden beide strategieën in één model genaamd COJEPA. Ze ontdekten dat deze hybride aanpak het ideale evenwicht vormt. Het leert zowel lokale hersendetails te voorspellen als de unieke identiteit van de persoon te herkennen.

Hoe Ze Het Leerden

Het team trainde dit model op 2.286 gezonde hersenscans uit twee groepen: jongvolwassenen (leeftijd 22–37) en oudere volwassenen (leeftijd 36–90+). Ze gebruikten geen labels. In plaats daarvan gebruikten ze een slimme truc:

• Ze maskeerden (dekten af) willekeurige 3D-blokken van de hersenen, maar ze waren voorzichtig om alleen de "voorgrond" (het eigenlijke hersenweefsel) af te dekken, waarbij de lege ruimte eromheen werd genegeerd.
• Ze vroegen het model om de verborgen hersendelen te voorspellen.
• Tegelijkertijd toonden ze het model twee verschillende weergaven van hetzelfde brein en dwongen het om te beseffen: "Hé, dit is dezelfde persoon!"

De Resultaten: Wat Heeft Het Geleerd?

Het team testte dit nieuwe brein-leermodel op drie verschillende taken om te zien hoe slim het echt was.

1. De Tweelingtest (Zero-Shot Retrieval)
Dit was de grote test. Het model moest naar een brein kijken dat het nog nooit eerder had gezien en de tweeling ervan zoeken in een database van andere hersenen.

• Het model dat alleen de "invul-de-blanco" strategie gebruikte, faalde jammerlijk bij het vinden van eeneiige tweelingen (monozygote tweelingen); het vond de juiste match slechts 26% van de tijd op de eerste plek. Het kon het verschil tussen mensen niet goed genoeg onderscheiden.
• Het model dat alleen de "lijkt-erop" strategie gebruikte, deed het veel beter en vond de match 78% van de tijd.
• COJEPA (De Hybride) was de kampioen en vond de juiste tweeling 84% van de tijd op de eerste plek.
• De Kanttekening: Het model was verrassend slecht in het vinden van twee-eiige tweelingen (dizygote tweelingen), waarbij het de match slechts 17% van de tijd vond. Dit suggereert dat hoewel het leerde de unieke "vingerafdruk" van een brein te herkennen, het nog steeds worstelt met de subtielere genetische overeenkomsten tussen niet-identieke tweelingen.

2. De Tumorjacht (Segmentatie)
Ze vroegen het model om hersentumoren te vinden in een dataset die het nog nooit eerder had gezien (BraTS 2024).

• Wanneer het model slechts "bevroren" was (niet werd toegestaan om nieuwe dingen te leren, maar alleen te gebruiken wat het al wist), presteerden het hybride model en het "lijkt-erop" model vergelijkbaar door ongeveer 52% van de tumor correct te vinden met zeer weinig trainingsdata.
• Echter, toen ze het model een beetje "fine-tuning" gaven (het laten leren van de specifieke tumorgegevens), werden alle drie de modellen veel beter en bereikten ze een nauwkeurigheid van ongeveer 71%.
• De Les: Het hybride model beschadigde de lokale details niet; het was net zo goed in het vinden van tumoren als de anderen, wat bewees dat het zijn "kunstenaar"-vaardigheden niet verloor terwijl het een "detective" werd.

3. De Leeftijdschatting (Regressie)
Ze probeerden de leeftijd van de persoon te raden, enkel door naar de hersenscan te kijken.

• Het hybride model was het meest efficiënt. Met slechts 5% van de gelabelde data voorspelde het de leeftijd met een fout van 4,22 jaar, wat beter was dan de andere modellen.
• Bij volledige fine-tuning behaalde het het beste resultaat van allemaal: een fout van slechts 2,55 jaar.
• Interessant genoeg merkten de auteurs op dat het deel van de hersenen waar het model het meest op focuste om de leeftijd te raden het cerebellum (het kleine hersenen, het achterste deel van de hersenen) was. Ze suggereren dat dit een "emergent eigenschap" is, wat betekent dat het model zelfstandig ontdekte dat dit gebied verandert met de leeftijd, zonder dat iemand het ooit had verteld om daar te kijken.

Wat het Papier Uitsluit

De auteurs zijn heel duidelijk over wat niet zo goed werkt als hun nieuwe methode:

• Ze sluiten expliciet de mogelijkheid uit dat alleen het voorspellen van ontbrekende delen (JEPA) voldoende is om een model te creëren dat verschillende mensen van elkaar kan onderscheiden. De data toonden aan dat dit faalde bij de tweeling-retrieval.
• Ze suggereren ook dat alleen zoeken naar overeenkomsten (Contrastive Learning) sommige van de fijnmazige, lokale structurele details zou kunnen missen die cruciaal zijn voor medische taken zoals segmentatie, hoewel het hybride model erin slaagde die vaardigheden te behouden.

Hoe Zeker Zijn Ze?

De auteurs zijn vertrouwd met hun cijfers, maar voorzichtig over het grotere plaatje.

• Ze hebben de resultaten van de tweeling-retrieval en de leeftijdsvoorspelling direct gemeten op testsets, dus die cijfers (zoals de 84% tweelingmatch en de 2,55 jaar foutmarge) zijn harde feiten uit hun experiment.
• Echter, ze suggereren dat het succes van het model voortkomt uit het balanceren van "voorspelbaarheid" (het voorspellen van de toekomst) en "specificiteit" (het kennen van de identiteit). Ze beweren niet dat dit de definitieve, perfecte oplossing is voor alle medische AI.
• Ze geven toe dat hun trainingsset van 2.286 mensen naar moderne AI-standaarden eigenlijk vrij klein is. Ze vermoeden dat als ze een veel grotere, diversere groep mensen hadden gehad om op te trainen, het model waarschijnlijk nog beter zou presteren.
• Ze merkten ook een beperking op: het model had meer moeite met scans van een specifiek ouder apparaat (1,5T scanners), wat suggereert dat het misschien nog niet perfect werkt op elke ziekenhuisscanner in de wereld.

Kortom, COJEPA is een veelbelovende nieuwe manier om computers te leren het brein te begrijpen zonder dat er voor elke scan een leraar nodig is. Het leerde zowel een goede voorspeller van lokale details te zijn als een scherpe detective van identiteit, maar er is nog ruimte voor groei voordat het elke hersenscan ter wereld kan behandelen.