As lacunas atuais nas aplicações a jusante dos modelos de fundação fMRI: lições aprendidas com BrainLM & BrainHarmonix sobre Prevent-AD

O que aconteceu

Modelos de fundação têm impulsionado grandes avanços nos domínios de linguagem e visão, como visto na popularidade das ferramentas de Inteligência Artificial (AI), e um número crescente de estudos estão trazendo a abordagem da imagem cerebral humana. Ainda não foi examinado se esses modelos estão prontos para pesquisadores independentes usarem em conjuntos de dados clínicos. Foram avaliados dois modelos recentes de fundação fMRI, BrainLM e BrainHarmonix, em PreventAD, um conjunto de dados sobre adultos com histórico familiar de doença de Alzheimer. Comparamos características de modelos congelados e afinados com duas linhas de base: conectividade funcional e um classificador simulado que sempre prevê a classe mais comum. A amostra inclui 343 indivíduos que passaram no controle de qualidade, com um subconjunto de 218 que apresentaram PET amiloide. Foram testadas quatro metas de predição: sexo, idade, progressão para comprometimento cognitivo leve (IDC) e carga {beta}-amilóide. Ambos os modelos exigiram mudanças substanciais no código liberado. O próprio fluxo de trabalho de preparação de dados do BrainLM não produziu ajuste fino estável, que conseguimos apenas após mudar para um fluxo de trabalho padrão implementado com a biblioteca Nilearn. A documentação do BrainHarmonix não especificou como normalizar novos dados, então resolvemos isso testando diferentes alternativas. Para o sexo, conectividade funcional superou todas as características do modelo de fundação. Para a faixa etária, a melhor característica do modelo de fundação, retirada do codificador estrutural (T1) de BrainHarmonix, excedeu ligeiramente a conectividade funcional, mas a diferença não foi significativa. Para o MCI e {beta}-amilóide, nenhuma característica excedeu o classificador simulado em precisão, e a área sob a curva (AUC) ficou perto da chance para todas as características. Para ambos os alvos clínicos, a característica mais precisa foi a do Cérebro MLME afinado, ou seja, uma parcela maior de suas predições positivas foi correta do que para a conectividade funcional, mas nenhuma diferença atingiu significância estatística. Esses resultados sugeriram que a forte transferência para novas tarefas vistas em modelos de linguagem de grande porte ainda não pode ser assumida para modelos de fundação fMRI, e que ambos os modelos exigiam adaptação de código que impediria sua adoção simplificada por grupos independentes. Recomendamos que futuros estudos forneçam fluxos de trabalho de dados padronizados e relatem sempre conectividade funcional e linhas de base do classificador simulado. Para alvos clínicos com forte desequilíbrio de classe, estudos devem relatar várias métricas, incluindo precisão.