Forskare vid InfoLab, Sungkyunkwan University har utvecklat en vision-transformer-arkitektur, 4D fMRI CrossFormer (4DfCF), för att analysera fyrdimensionell fMRI-data. Modellen kombinerar rumsliga och temporala mönster och lär sig både lokala och långdistans-relationer mellan hjärnregioner, vilket möjliggör mer exakt identifiering av neurologiska tillstånd.

Genom att integrera en förklarlig-AI-teknik genererar 4DfCF visuella kartor som visar vilka hjärnområden som driver varje prediktion. På så sätt får kliniker mer än bara en binär diagnos; de får insikt i de underliggande neurobiologiska signalerna. I tester på benchmark-dataset för ADHD, Alzheimers och autism överträffade modellen tidigare metoder med ett F1-värde på 96,28 % för ADNI-Alzheimers-datasetet.

Modellen är dessutom relativt lättviktig: huvudvarianten har 10,34 miljoner parametrar och en mindre version (4DfCF-T) endast 4,18 miljoner, vilket minskar kraven på beräkningskraft och underlättar implementering på sjukhusservrar. Studien visar även att förträning på ett dataset påskyndar inlärning på andra dataset, vilket pekar på möjligheten att skapa återanvändbara förtränade modeller för olika hjärnsjukdomar.

Resultaten är för närvarande baserade på forskningsdataset och kräver vidare klinisk validering, men de lägger grunden för mer transparenta, effektiva och skalbara AI-stöd i neuroimaging-diagnostik.