Beyin görüntüleme teknolojisi fMRI, bireylerin düşünürken, hareket ederken ya da dinlenirken beynin hangi bölgelerinin aktif olduğunu ortaya koyabilen güçlü bir araç. Ancak bu veriler son derece karmaşık: Farklı kişilerden, farklı cihazlardan ve farklı deneysel koşullardan elde edilen fMRI kayıtları büyük çeşitlilik gösteriyor.
Yapay zekanın bu verileri analiz etmek için kullanılması giderek yaygınlaşıyor. 'Temel modeller' (foundation models) olarak adlandırılan büyük ölçekli sinir ağları, geniş veri havuzlarıyla önceden eğitilerek çeşitli beyin analizi görevlerine uyarlanabiliyor. Ancak mevcut yaklaşımlarda tüm fMRI veri kaynakları genellikle birbirine karıştırılıyor ve her görev bağımsız biçimde ele alınıyor; bu da öğrenme sürecinin verimliliğini düşürüyor.
Yeni çalışma bu soruna sistematik bir çözüm öneriyor. Araştırmacılar 'Brain-DiT' adını verdikleri hafif bir yardımcı model geliştirdi. Bu model, on farklı fMRI veri alanı arasındaki ilişkileri analiz ederek hangi verinin modele önce, hangisinin sonra gösterilmesi gerektiğini belirliyor. Yüksek gürültülü verilerden düşük gürültülüye doğru ilerleyen zaman çizelgesi planlamasıyla birleştirilen bu yaklaşım, modelin adım adım ve daha sağlam bir şekilde öğrenmesini sağlıyor.
Uyarlama aşamasında ise çalışma daha da ileri gidiyor: On beş farklı nörobilim görevi arasındaki bilgi aktarım ilişkileri haritalanarak yönlü bir 'görev taksonomisi' oluşturuluyor. Tamsayılı programlama adı verilen matematiksel yöntemle, sınırlı hesaplama bütçesi dahilinde hangi kaynak görevlerin hangi hedef göreve en iyi katkıyı sağlayacağı belirleniyor.
Sonuçlar dikkat çekici: Önerilen müfredat yaklaşımı, beyin sinyallerinin frekans içeriğini ölçen PSD-NMSE metriğinde yüzde 16 oranında, beyin bölgeleri arasındaki bağlantısallığı ölçen FC-MSE metriğinde ise yüzde 10 oranında iyileşme sağlıyor. Öte yandan görev taksonomisi yaklaşımının on beş görevin on birinde performansı artırdığı bildiriliyor.
Bu çalışma, büyük ölçekli beyin modelleme sistemlerini hem daha verimli hem de daha düzenli hale getirmenin mümkün olduğunu gösteriyor. Nörobilim ve yapay zekanın kesiştiği bu alan, beyin hastalıklarının erken tespitinden bilişsel süreçlerin anlaşılmasına uzanan geniş bir uygulama yelpazesi sunuyor.