NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Transformatör modelleri, karmaşık girdi-çıkış ilişkilerinin esnek, paralel işlenmesini sağlayarak doğal dil işlemede devrim yarattı. Burada, bu mimariyi Neuro-BOT adı verilen biyolojik olarak bilgilendirilmiş bir çerçeve ile beyin görüntülemeye uyarlıyoruz. Dikkat ağırlıklarını tamamen verilerden öğrenen geleneksel Transformers'ın aksine, Neuro-BOT'lar kodlayıcının her aşamasında önceki nörobiyolojik bilgileri içerir: moleküler haritalar (örneğin, nörotransmitterler), hücresel dağılımlar (örneğin, mitokondriyal yoğunluk) ve büyük ölçekli yapısal bağlantı. Bu sabıkalar, modelin beyin özelliklerini yorumlamasına rehberlik eden mekansal filtreler (dikkat ağırlıklarına analog) olarak hareket eder. Bu yaklaşımı Parkinson hastalığı hastalarından ve sağlıklı kontrollerden dinlenme durumu fMRI verilerini kullanarak ikili sınıflandırma görevine uyguluyoruz. Biyolojik olarak tanımlanmış birkaç dikkat katmanı arasında, noradrenerjik harita, sınıflandırma doğruluğunu %71.3'ten %89.7'ye önemli ölçüde geliştirdi. Sınırlı bir örneğe dayanmakla birlikte, bu yaklaşım, Transformer tabanlı mimarilere çok ölçekli biyolojik sabıkaların yerleştirilmesinin hem öngörüsel performansı hem de nörobiyolojik yorumlanabilirliği artırabileceğini göstermektedir. Daha geniş olarak, bu tür modellerin, klinik, preklinik ve multimodal etki alanlarındaki uygulamalarla, bir çeviri biçimi olarak beyin çıkarımını görüntülemeye yönelik bir yol açmasını öneriyoruz.
Özgün kaynak özetini okuyun
Transformer models have revolutionized natural language processing by enabling flexible,parallel processing of complex input–output relationships. Here, we adapt this architecture to brain imaging through a biologically informed framework called Neuro-BOTs. Unlike traditional Transformers that learn attention weights purely from data, Neuro-BOTs incorporate prior neurobiological knowledge at each stage of the encoder: molecular maps (e.g.,neurotransmitters), cellular distributions (e.g., mitochondrial density), and large-scale structural connectivity. These priors act as spatial filters—analogous to attention weights—that guide the model’s interpretation of brain features. We apply this approach to a binaryclassification task using resting-state fMRI data from Parkinson’s disease patients and healthycontrols. Among several biologically defined attention layers, the noradrenergic map significantly improved classification accuracy from 71.3% to 89.7%. While based on a limited sample, this approach demonstrates that embedding multiscale biological priors intoTransformer-based architectures can improve both predictive performance and neurobiological interpretability. More broadly, we propose that such models open a pathway toward viewing brain inference as a form of translation, with applications across clinical,preclinical, and multimodal domains.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.