Neuro-BOTs: Biologically-Informed Transformers for Brain Imaging Analysis

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Transformer modelleri, dikkat mekanizmalarını kullanarak doğal dil işlemeyi diziler arası ilişkileri modellemek için yeniden şekillendirmiştir. Burada, bu mimariyi Nörobiyolojik-Optimize Transformatörler (Neuro-BOT'lar) ile beyin görüntülemeye uyarlıyoruz - önceki nörobiyolojik bilgileri doğrudan modelin dikkat katmanlarına yerleştiren bir çerçeve. Nöro-BOT'lar, dikkat ağırlıklarını yalnızca verilerden öğrenmek yerine, beyin haritalarından türetilen, nörotransmitter dağılımları, mitokondriyal yoğunluk veya anatomik bağlantı gibi sabit uzamsal filtreler içerir. Bu sabıkalar, modelin beyin bölgelerinde fonksiyonel MRI özelliklerine nasıl katıldığına rehberlik eder. Neuro-BOT'ları dinlenme durumu fMRI kullanarak üç sınıflandırma görevinde değerlendiririz. Parkinson hastalığı veri kümesinde, noradrenerjik bir filtrenin dahil edilmesi, sınıflandırma doğruluğunu %71.3'ten %89.7'ye çıkarır ve erken evre noradrenerjik disfonksiyonun önemli bir ayrımcı sinyal olduğunu düşündürür. Spesifikliği değerlendirmek için modeli sağlıklı yaşlanma veri kümeleri üzerinde test ediyoruz - hiçbir biyolojik sistemin hakim olmaması gereken - ve çeşitli filtreler ve konfigürasyonlar arasında sahte performans kazanımları bulamıyoruz. Hassasiyeti değerlendirmek için modeli, LSD kaynaklı beyin yanıtlarını ölçen iki küçük veri setine uyguluyoruz, burada ilacın farmakolojik profili (serotonerjik sabıkalar) hakkında bilgi varsayımımız sınırlı örnek boyutuna rağmen sınıflandırmayı geliştirecektir. Bu sonuçlar, biyolojik olarak anlamlı geçmişleri Transformer mimarilerine yerleştirmenin, geniş bir bağlam ve uygulama yelpazesinde hem doğruluğu hem de yorumlanabilirliği artırdığını göstermektedir. Daha geniş anlamda, Neuro-BOT'lar, çok ölçekli beyin bilgisini derin öğrenme modellerine entegre etmenin, klinik tahminlerde ve çapraz tür çevirisinde biyolojik olarak topraklanmış yeni çıkarım biçimlerinin sağlanmasının ilkeli bir yolunu sunar.

Özgün kaynak özetini okuyun

Transformer models have reshaped natural language processing by using attention mechanisms to model relationships across sequences. Here, we adapt this architecture to brain imaging with Neurobiologically-Optimized Transformers (Neuro-BOTs)—a framework that embeds prior neurobiological knowledge directly into the model's attention layers. Rather than learning attention weights solely from data, Neuro-BOTs incorporate fixed spatial filters derived from brain maps—such as neurotransmitter distributions, mitochondrial density, or anatomical connectivity. These priors guide how the model attends to functional MRI features across brain regions. We evaluate Neuro-BOTs on three classification tasks using resting-state fMRI. In a Parkinson’s disease dataset, incorporating a noradrenergic filter improves classification accuracy from 71.3% to 89.7%, suggesting that early-stage noradrenergic dysfunction is a key discriminative signal. To assess specificity, we test the model on healthy ageing datasets—where no single biological system should dominate—and find no spurious performance gains across diverse filters and configurations. To assess sensitivity, we apply the model to two small datasets measuring LSD-induced brain responses where we hypothesised knowledge about the pharmacological profile of the drug (serotonergic priors) would improve classification despite limited sample size. These results show that embedding biologically meaningful priors into Transformer architectures enhances both accuracy and interpretability across a wide range of contexts and applications. More broadly, Neuro-BOTs provide a principled way to integrate multiscale brain knowledge into deep learning models, enabling new forms of biologically grounded inference in clinical prediction and cross-species translation.

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.