other شناسایی بیماری اختلال‌شناختی خفیف با استفاده از ارتباطات عملکردی مغز و نظریه گراف از طریق تصویربرداری تشدید مغناطیسی عملکردی مقاله اصیل Original Article <span style="font-family:yekanYW;"><strong><em><span style="font-size:10.0pt;">زمینه و هدف:</span></em></strong><span style="font-size:10.0pt;"> تشخیص زودهنگام بیماران در مراحل اولیه آلزایمر که به‌عنوان اختلال شناختی خفیف نامیده می‌شود یک موضوع مهم در درمان و یا به تعویق انداختن ابتلا به آلزایمر می‌باشد. در این مطالعه قصد داریم از روی دادگان تصویربرداری عملکردی تشدید مغناطیسی </span><span dir="LTR"><span style="font-size:8.0pt;">(fMRI)</span></span><span style="font-size:10.0pt;"> در حال استراحت، افراد دچار بیماری اختلال شناختی خفیف را از افراد سالم تفکیک کنیم.</span><br> <strong><em><span style="font-size:10.0pt;">روش بررسی:</span></em></strong> <span style="font-size:10.0pt;">در این پژوهش که از اردیبهشت تا آذر 1399 در تهران انجام شد، پس از انجام پیش‌پردازش دادگان </span><span dir="LTR"><span style="font-size:8.0pt;">fMRI</span></span><span style="font-size:10.0pt;">، با استفاده از اطلس برچسب‌گذاری خودکار آناتومیکی، 116 ناحیه مغزی تفکیک شدند. سپس، ماتریس ارتباط عملکردی این نواحی با استفاده از روش‌های همبستگی پیرسون و اطلاعات متقابل محاسبه شدند. در ادامه، شبکه گراف مغزی تشکیل شده و یال‌های معنادار و قوی حفظ شدند. در انتها 11 ویژگی سراسری از شبکه گراف استخراج شده و پس از انجام آنالیزهای آماری و انتخاب ویژگی‌های موثر، طبقه‌بندی 14 فرد سالم و 11 بیمار دارای اختلال شناختی خفیف با استفاده از طبقه‌بند ماشین‌بردار پشتیبان انجام ‌شد.</span><br> <strong><em><span style="font-size:10.0pt;">یافته‌ها:</span></em></strong> <span style="font-size:10.0pt;">محاسبات انجام شده نشان داد که روش اطلاعات متقابل و پنج ویژگی سراسری از شبکه گراف با نام‌های میانگین قدرت، دوری از مرکز، بهره‌وری محلی، ضریب خوشه‌بندی و انتقال‌پذیری با استفاده از طبقه‌بند ماشین‌بردار پشتیبان دارای بهترین جواب با صحت 84%، حساسیت 86% و اختصاصیت 93% می‌باشد.</span><br> <strong><em><span style="font-size:10.0pt;">نتیجه‌گیری:</span></em></strong> <span style="font-size:10.0pt;">ترکیب ویژگی‌های گراف مغزی و ارتباطات عملکردی، براساس تجزیه و تحلیل دادگان </span><span dir="LTR"><span style="font-size:8.0pt;">fMRI</span></span><span style="font-size:10.0pt;"> می‌تواند افراد با اختلال‌شناختی خفیف را با دقت بالایی تفکیک نماید.</span><span dir="LTR"><span style="font-size:8.0pt;"></span></span></span> <div><strong><em>Background:</em></strong> Early diagnosis of patients in the early stages of Alzheimer&#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 Alzheimer&#39;s disease. Resting-state functional magnetic resonance imaging (fMRI) is very common in the process of diagnosing Alzheimer&#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.<br> <strong><em>Methods:</em></strong> 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.</div> <table align="center" cellpadding="0" cellspacing="0" hspace="0" vspace="0"> <tbody> <tr> <td align="left"> <div><strong><em>Results:</em></strong> 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.</div> </td> </tr> </tbody> </table> <div><div style="clear:both;"></div><strong><em>Conclusion:</em></strong> 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&rsquo;s which consequently allows treating or delaying this disease.<span dir="RTL"></span></div> آلزایمر, تصویربرداری تشدید مغناطیسی عملکردی, یادگیری ماشین, اختلال‌شناختی خفیف. Alzheimer's disease, functional magnetic resonance imaging, machine learning, mild cognitive impairment. 102 111 http://tumj.tums.ac.ir/browse.php?a_code=A-10-3666-385&slc_lang=other&sid=1 Hasan Mohammadi Kiani حسن محمدی کیانی No Department of Biomedical Engineering, Faculty of Medical Sciences and Technologies , Science and Research Branch, Islamic Azad University, Tehran, Iran. گروه مهندسی پزشکی، دانشکده علوم و فناوری‌های پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران. Ahmad Shalbaf احمد شالباف Shalbaf@sbmu.ac.ir Yes Department of Biomedical Engineering and Medical Physics, School of Medicine, Shahid Beheshti University of Medical Sciences, Tehran, Iran. گروه مهندسی و فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران. Arash Maghsoudi آرش مقصودی No Department of Biomedical Engineering, Faculty of Medical Sciences and Technologies , Science and Research Branch, Islamic Azad University, Tehran, Iran. گروه مهندسی پزشکی، دانشکده علوم و فناوری‌های پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.