تشخيص افراد اسپرگر از سالم با به كارگيري نظريه گراف بر روي تصاوير عملكردي مغز به روش تشديد مغناطيسي

Identification of Asperger's from healthy individuals: Using a graph theoretical approach on the task-free fMRI data

مقدمه: سندروم اسپرگر به عنوان يك اختلال عصب تحولي شناخته مي­‌شود و داراي نشانه­‌هايي از قبيل عدم تعاملات اجتماعي، عدم ارتباط غيركلامي، بازه محدود علايق، رفتارهاي غير عادي و تكراري مي­‌باشد. افراد آسپرگر معمولا داراي قريحه ذاتي در يك زمينه مانند موسيقي، رياضي يا غيره هستند. هر چند هنوز تفاوت­هاي ساختاري و عملكردي مغز در افراد درگير اين اختلال با افراد سالم به طور كامل شناخته شده نمي­‌باشد. بنابراين اين مطالعه با هدف شناسايي اين تفاوت­ها با استفاده از تحليل تصاوير عملكردي مغز به روش تشديد مغناطيسي در حالت استراحت بر اساس نظريه گراف صورت پذيرفت. روش كار: اين تحليل بر اساس محاسبه ارتباط ميزان ارتباط عملكردي نواحي مختلف مغز بر پايه شباهت عملكردي آنها صورت گرفت. ميزان اختلاف اين ارتباط­‌ها در سطح محلي و رفتار كلي مغز بين دو گروه اسپرگر و سالم كه از لحاظ سن، جنسيت، راست/چپ دست بودن و ميزان بهره هوشي همگن انتحاب شده بودند، مورد مطالعه قرار گرفت. يافته­‌ها: نتايج نشان داد كه اين تفاوت­ها بيشتر به صورت محلي در نواحي گيجگاهي، آميگدال، تالاموس و هلش قابل مشاهده بود. به علاوه استفاده از روش­هاي دسته­‌بندي بر روي تفاوت­هاي مشاهده شده­ در شبكه عملكردي مغز نشان داد كه مي­توان افراد اسپرگر را با دقت 84 درصد از افراد سالم شناسايي نمود. نتيجه­‌گيري: اين مطالعه نشان مي­دهد، مشخصه­هاي محلي شبكه عملكردي مغز در حالت استراحت مي­تواند ابزار مناسبي براي نمايش تفاوت­هاي موجود بين دو گروه اسپرگر و سالم باشد كه مي­توان از آن در شناسايي خودكار اين اختلال بهره برد.

Introduction: Asperger’s syndrome is generally known as a neurodevelopmental disorder. The main features of this syndrome are the lack of social interaction, non-verbal communication, unusual repetitive behavior, restricted interests, and may have an inherent talent such as mathematics, music, etc. Nonetheless, their brain structural and functional variations as compared to healthy individuals require to be well understood. Methods: This study intends to identify differences of the task-free fMRI data in Asperger’s syndrome as compared to healthy individuals using the graph-theoretical approach. In this approach, graph local and global measures are calculated from the functional network, which estimated through taking the correlation between activities in different parts of the brain. Subsequently, the differential pattern of local and global measures in Asperger’s syndrome as compared to healthy control group is investigated. Two groups of the subjects are matched in terms of age, gender, handedness, and IQ scores. Results: Results revealed the significant differences in local measures at temporal, amygdala, thalamus, and heschl regions. Classification of the tf-fMRI data based on the identified measures shows an accuracy of 84% to discriminate Asperger's individuals from the healthy group. Conclusion: Accordingly, local measures extracted from the graph of the task-free functional connectivity network have a good potential for screening of Asperger's syndrome that can be used as an automatically-diagnosed method of this disorder.