Meta-analisi prompt guidata multi-task graph transformer per l’analisi congiunta dei deficit cognitivi e dei disturbi psichiatrici

Questo studio propone un innovativo modello di rete neurale, denominato meta-analisi prompt guidata multi-task graph transformer, finalizzato a migliorare la diagnosi congiunta di disturbi psichiatrici quali la schizofrenia e il disturbo da deficit di attenzione/iperattività (ADHD) e dei relativi deficit cognitivi. Utilizza dati di connettività funzionale cerebrale (FC) e implementa un trasformatore grafico come codificatore comune, integrando meccanismi di attenzione congiunta per identificare rappresentazioni condivise tra disturbi e funzioni cognitive, oltre a una pool di salienza per isolare zone cerebrali rilevanti. L’originalità risiede nell’impiego di modelli linguistici di grandi dimensioni (LLMs) per codificare prior knowledge basato su una meta-analisi di 466 studi di neuroimaging (BrainMap), trasformando mappe di probabilità di attivazione in prompt linguistici naturali, il che potenzia l’apprendimento delle caratteristiche oltre la semplice correlazione. Inoltre, informazioni demografiche individuali sono integrate come embedding testuali per supportare predizioni personalizzate. Un obiettivo di apprendimento contrastivo allinea le rappresentazioni testuali e quelle FC. Le prove sperimentali, condotte su 842 soggetti provenienti dai dataset COBRE, ADHD-200 e SRPBS, mostrano che il metodo supera sei approcci single-task e sette multi-task all’avanguardia sia nella classificazione dei disturbi che nella predizione dei deficit cognitivi correlati. I biomarcatori individuati confermano evidenze pregresse ma evidenziano anche caratteristiche discriminative, suggerendo una rilevanza futura per interventi terapeutici e studi longitudinali. Limiti specifici non sono dettagliati nell’abstract fornito.