Naukowcy pokazali, że można analizować mapy połączeń mózgu bez konieczności ręcznego oznaczania danych, co potencjalnie zmienia sposób diagnostyki neurologicznej. Zespół opracował metodę łączącą hybrid latent space modeling, która sama uczy się rozpoznawać naturalne różnice w danych zebranych w różnych warunkach - przy różnych skanerach, ustawieniach czy czasach pomiaru. To ważne dlatego, że w praktyce nigdy nie ma dwóch identycznych badań mózgu; każde resonansu magnetycznego czy innego skanowania wprowadza swoją specyficzną "hałas" techniczny. Dotychczas badacze musieli oparować się na danych wcześniej ręcznie sklasyfikowanych albo ignorowali te różnice, ryzykując błędy diagnostyczne.
Nowe podejście pozwala modelowi na nienadzorowaną naukę - pracuje bez zewnętrznych etykiet czy instrukcji, co przypomina częściowo to, jak uczą się dzieci, przez obserwację i doświadczenie. Algorytm analizując connectomy - te mapki neuronu do neuronu w mózgu - potrafi teraz automatycznie wyodrębnić, co jest rzeczywistą biologiczną informacją, a co artefaktem techniczny. To ma duży potencjał dla diagnostyki, bo oznacza bardziej wiarygodne wyniki przy badaniu pacjentów z chorobami neurologicznymi czy zaburzeniami psychicznymi. Lepsze oddzielenie szumu od sygnału powinno zwiększyć czułość testów i zmniejszyć ryzyko fałszywych alarmów.
Metoda otwiera też nowe możliwości dla badań porównawczych między ośrodkami, które używają innego sprzętu i protokołów skanowania. Do tej pory harmonizacja takich danych była sporym wyzwaniem; teraz nowy system może pracować z naturalnymi różnicami i nawet z nich czerpać informacje. To szczególnie ważne dla dużych konsorcjów badawczych, które łączą dane z wielu szpitali czy uniwersytetów, by powiększyć liczebność próby i szukać uniwersalnych wzorców chorób mózgu.