شناسايي بيماري اختلال شناختي خفيف با استفاده از ارتباطات عملكردي مغز و نظريه گراف از طريق تصويربرداري تشديد مغناطيسي عملكردي

Identification of mild cognitive impairment disease using brain functional connectivity and graph analysis in fMRI data

تشخيص زودهنگام بيماران در مراحل اوليه آلزايمر كه به عنوان اختلال شناختي خفيف ناميده مي شود يك موضوع مهم در درمان و يا به تعويق انداختن ابتلا به آلزايمر مي باشد. در اين مطالعه قصد داريم از روي دادگان تصويربرداري عملكردي تشديد مغناطيسي (fMRI) در حال استراحت، افراد دچار بيماري اختلال شناختي خفيف را از افراد سالم تفكيك كنيم. روش بررسي در اين پژوهش كه از ارديبهشت تا آذر 1399 در تهران انجام شد، پس از انجام پيش پردازش دادگان fMRI، با استفاده از اطلس برچسب گذاري خودكار آناتوميكي، 116 ناحيه مغزي تفكيك شدند. سپس، ماتريس ارتباط عملكردي اين نواحي با استفاده از روش هاي همبستگي پيرسون و اطلاعات متقابل محاسبه شدند. در ادامه، شبكه گراف مغزي تشكيل شده و يال هاي معنادار و قوي حفظ شدند. در انتها 11 ويژگي سراسري از شبكه گراف استخراج شده و پس از انجام آناليزهاي آماري و انتخاب ويژگي هاي موثر، طبقه بندي 14 فرد سالم و 11 بيمار داراي اختلال شناختي خفيف با استفاده از طبقه بند ماشين بردار پشتيبان انجام شد. يافته ها: محاسبات انجام شده نشان داد كه روش اطلاعات متقابل و پنج ويژگي سراسري از شبكه گراف با نام هاي ميانگين قدرت، دوري از مركز، بهره وري محلي، ضريب خوشه بندي و انتقال پذيري با استفاده از طبقه بند ماشين بردار پشتيبان داراي بهترين جواب با صحت 84%، حساسيت 86% و اختصاصيت 93% مي باشد. نتيجه گيري: تركيب ويژگي هاي گراف مغزي و ارتباطات عملكردي، براساس تجزيه و تحليل دادگان fMRI مي تواند افراد با اختلال شناختي خفيف را با دقت بالايي تفكيك نمايد.

Early diagnosis of patients in the early stages of Alzheimerchr('39')s, known as mild cognitive impairment, is of great importance in the treatment of this disease. If a patient can be diagnosed at this stage, it is possible to treat or delay Alzheimerchr('39')s disease. Resting-state functional magnetic resonance imaging (fMRI) is very common in the process of diagnosing Alzheimerchr('39')s disease. In this study, we intend to separate subjects with mild cognitive impairment from healthy control based on fMRI data using brain functional connectivity and graph theory. Methods In this article, which was done from April to November 2020 in Tehran, after pre-processing the fMRI data, 116 brain regions were extracted using an Automated Anatomical Labeling atlas. Then, the functional connectivity matrix between the time signals of 116 brain regions was calculated using Pearson correlation and mutual information methods. Using functional connectivity calculations, the brain graph network was formed, followed by thresholding of the brain connectivity network to keep significant and strong edges while eliminating weaker edges that were likely noise. Finally, 11 global features were extracted from the graph network and after performing statistical analyses and selecting optimal features; the classification of 14 healthy individuals and 11 patients with mild cognitive impairment was performed using a support vector machine classifier. Results Calculations were showed that the mutual information algorithm as a functional connectivity method and five global features of the graph network, including average strength, eccentricity, local efficiency, coefficient clustering and transitivity, using the support vector machine classifier achieved the best performance with the accuracy, sensitivity and specificity of 84, 86 and 93 percent, respectively. Conclusion Combining the features of brain graph and functional connectivity by the mutual information method with a machine learning approach, based on fMRI imaging analysis, is very effective in diagnosing mild cognitive impairment in the early stages of Alzheimer’s which consequently allows treating or delaying this disease.