تست

رویکرد نظریه گراف و تحلیل حلقه‌های علیتی در تشخیص اوتیسم از طریق شبکه‌های عملکردی مغز
گزارش درس شبکه‌های پیچیده

چکیده

در این گزارش، کاربرد نظریه گراف و تحلیل حلقه‌های علیتی برای تشخیص و تفکیک شبکه‌های عملکردی مغز در افراد مبتلا به اختلال طیف اوتیسم (ASD) و افراد سالم بررسی می‌شود. ابتدا داده‌های fMRI گردآوری شده و شبکه‌های عملکردی مغز با استفاده از آتلانسی مشخص تقسیم‌بندی می‌گردند. آنگاه، با استخراج گرافلت‌ها و سایر پارامترهای مهم گرافی (از جمله حلقه‌های بازخورد در سطوح مختلف رتبه)، تفاوت‌های ساختاری و دینامیکی میان دو گروه بررسی می‌گردد. نتایج نشان می‌دهد که الگوی تشکیل حلقه‌های بازخورد (Feedback Loops) در مغز سالم، تفاوت آماری معناداری با مغز اوتیسمی دارد و از این تفاوت‌ها می‌توان به‌عنوان بیومارکر بالقوه در طبقه‌بندی و غربالگری اوتیسم بهره جست. همچنین، روش‌های یادگیری ماشین و شبکه‌های عصبی برای طبقه‌بندی این تفاوت‌ها به‌کار برده شده‌اند که نتایج آن‌ها برتری رویکردهای مبتنی بر گراف و حلقه‌های علّی را در تشخیص اوتیسم نشان می‌دهد.

۱. مقدمه

اختلال طیف اوتیسم (ASD) یک اختلال رشدی عصبی است که با مشکلات ارتباطات اجتماعی، الگوهای رفتاری تکراری و چالش در تعاملات اجتماعی همراه است. تشخیص زودهنگام این اختلال، نقش بسزایی در بهبود فرایندهای توان‌بخشی و آموزشی دارد؛ به همین دلیل، پژوهش‌های متعددی به شناسایی نشانگرهای زیستی (Biomarkers) در تصویربرداری‌های مغزی پرداخته‌اند. در سال‌های اخیر، نظریه گراف و تحلیل شبکه به‌عنوان ابزارهای قدرتمندی برای شناخت ساختار و پویایی ارتباطات مغزی در حالت استراحت (Resting-state) یا حین انجام وظایف (Task-based) مطرح شده‌اند 1,21,2.

علاوه بر این، مفهوم حلقه‌های علیتی (Causal Loops) یا بازخورد (Feedback) در شبکه‌های عصبی از اهمیت ویژه‌ای برخوردار است، چرا که بسیاری از رفتارها و فرایندهای شناختی مغز در بستر تعامل‌های تکرارشونده و بازگشتی شکل می‌گیرد 33. در این پژوهش، تلاش شده است تا با تکیه بر رویکرد نظریه گراف و بررسی حلقه‌های بازخورد در شبکه‌های عملکردی (Functional Connectivity)، تفاوت‌های ساختاری و دینامیکی مغز افراد سالم و افراد مبتلا به اوتیسم شناسایی گردد.

۲. پیشینه مطالعاتی

• استفاده از گرافلت‌ها برای تشخیص اوتیسم: گرافلت‌ها زیرساختارهای کوچک و غیرایزومورفیک در شبکه هستند که فراوانی آن‌ها ویژگی‌های توپولوژیک شبکه را بازتاب می‌دهد. براساس پژوهش‌های پیشین 44، محاسبه فراوانی گرافلت‌ها در شبکه‌های مغزی می‌تواند در طبقه‌بندی افراد سالم و مبتلا به اوتیسم مؤثر باشد.
• شبکه‌های عصبی عمیق: مطالعاتی 55 نشان داده‌اند که استفاده از شبکه‌های عصبی پیچشی (CNN) و داده‌های fMRI می‌تواند در شناسایی خودکار اوتیسم به دقت بالاتری منجر شود. با این حال، این رویکرد اغلب به داده‌های حجیم و برچسب‌دار نیاز دارد.
• پارامترهای جهانی و محلی در شبکه مغزی: پارامترهایی نظیر ضریب خوشه‌بندی، میانگین طول مسیر، کارایی شبکه و مرکزیت در تمایز شبکه‌های مغزی سالم و بیمار به کار رفته‌اند 66. برخی یافته‌ها نشان می‌دهند که در اوتیسم تغییرات قابل‌توجهی در پارامترهای محلی نیمکره راست مغز رخ می‌دهد 66.
• بررسی نقش اتصالات منفی: پژوهش‌ها 77 حاکی از آن هستند که لینک‌های منفی در شبکه مغزی—که پیش‌تر کمتر مورد توجه بودند—در پایداری و شکل‌گیری هاب‌های منفی مؤثر بوده و ممکن است در بیماری‌های عصبی تفاوت ایجاد کنند.

۳. روش‌شناسی

۳.۱. داده‌ها و پیش‌پردازش

برای انجام این مطالعه، داده‌های تصویربرداری تشدید مغناطیسی عملکردی (fMRI) از منابع عمومی مانند ABIDE، USC Multimodal Connectivity Database و سایر پایگاه‌های معتبر استخراج شد. سپس مراحل زیر بر روی داده‌ها اعمال گردید:

1. اصلاح حرکت (Motion Correction) و نرمال‌سازی شدت (Intensity Normalization) جهت کاهش نویز حرکتی.
2. حذف نویز فیزیولوژیک همچون سیگنال‌های مرتبط با ضربان قلب و تنفس.
3. فیلترگذاری باند-پایین برای حذف سیگنال‌های با فرکانس بسیار بالا.
4. تقسیم‌بندی مغز (Parcellation) با استفاده از آتلانس‌هایی نظیر Power-264 یا CC400 برای تعیین نقاط (ROIها).

۳.۲. تشکیل شبکه‌های عملکردی

پس از استخراج میانگین سیگنال BOLD در هر ROI، همبستگی میان ROIها به‌عنوان یال‌های شبکه در نظر گرفته شد. آستانه‌گذاری مبتنی بر چگالی شبکه (Density-based Thresholding) در بازه‌ای مانند ۰٫۱۵ تا ۰٫۳۲ صورت گرفت تا تعداد بهینه‌ای از یال‌ها در شبکه باقی بماند و به تخمین مناسبی از ساختار شبکه دست یابیم.

۳.۳. استخراج و تحلیل گرافلت‌ها

گرافلت‌ها (Graphlets) به‌عنوان زیرساختارهای کوچک در شبکه، به منظور استخراج ویژگی‌های توپولوژیک استفاده شدند 44. در این مرحله:

1. شمارش گرافلت‌ها (تا ۵ یا ۶ گره) در هر شبکه انجام شد.
2. گرافلت‌هایی با بیشترین قدرت تمایزبخشی میان دو گروه (سالم و اوتیسمی) انتخاب گردید.
3. بردار ویژگی نهایی به طبقه‌بندهای مختلفی چون SVM، KNN و درخت تصمیم داده شد.

۳.۴. تحلیل حلقه‌های بازخورد (Causal Loops)

در بخش دیگری از این پژوهش، حلقه‌های علیتی و بازخوردی در شبکه بررسی گردیدند:

• تعریف رتبه (Rank): اگر اطلاعات پس از عبور از kk یال مجدداً به همان گره بازگردد، رتبه حلقه kk خواهد بود.
• انواع حلقه‌ها برای شبکه سالم، شبکه اوتیسمی و همچنین شبکه‌های تصادفی (Random Networks) استخراج شد.
• مقایسه شدت جریان اطلاعات در این حلقه‌ها نشان داد که در مغز سالم، میزان حلقه‌های بازخورد در رتبه‌های بالاتر بیشتر است، حال آنکه در شبکه‌های اوتیسمی و تصادفی رفتار متفاوتی مشاهده می‌شود.

۴. نتایج

1. تفاوت در حلقه‌های بازخورد: نتایج نشان داد که حلقه‌های بازخورد (Loops) با رتبه‌های بالا (مثلاً ۴ و ۵) در شبکه مغز سالم فراوان‌تر و قوی‌تر از مغز اوتیسمی است. این امر می‌تواند نشان‌دهنده پویایی بازخوردی پیچیده‌تر در مغز سالم باشد.
2. مقایسه با شبکه‌های تصادفی: در شبکه‌های تصادفی، شدت حلقه‌های بازخورد به‌مراتب کمتر و به شکل سریع‌تری به صفر میل می‌کرد. این یافته مؤید آن است که ساختار واقعی مغز—چه در حالت سالم و چه در حالت اوتیسمی—دارای الگوی غیرتصادفی و سازمان‌یافته است.
3. مقایسه شاخص‌های گرافی: پارامترهای جهانی مانند ضریب خوشه‌بندی و کارایی جهانی تفاوت‌های معناداری را نشان ندادند؛ اما شاخص‌های محلی (مانند Betweenness Centrality و Degree Centrality) در برخی نواحی نیمکره راست و همچنین توزیع لینک‌های منفی در شبکه اوتیسمی نسبت به گروه سالم تغییرات قابل‌توجه داشتند.
4. دقت طبقه‌بندی: در آزمون‌های طبقه‌بندی، روش‌های مبتنی بر گرافلت‌ها و شاخص‌های بازخورد، به دقتی در حدود ۷۰ تا ۷۵ درصد دست یافتند که نسبت به برخی روش‌های مرسوم (مانند روش‌های ساده همبستگی) عملکرد بهتری داشت.

۵. بحث و بررسی

یافته‌های این پژوهش اهمیت ساختار شبکه‌ای مغز و به‌ویژه حلقه‌های علّی و بازخوردی را در تشخیص و تمایز اوتیسم برجسته می‌سازد. درک بهتر مکانیزم‌های بازخوردی در مغز می‌تواند بینش‌های تازه‌ای درباره علت‌شناسی اختلال طیف اوتیسم و الگوهای ارتباط عملکردی در آن ارائه دهد. نتایج حاکی از آن است که استفاده از رویکرد تحلیل بازخورد و پویایی‌های علّی می‌تواند نسبت به روش‌های صرفاً مبتنی بر همبستگی، تصویر جامع‌تری از شبکه‌های عصبی ارائه کند.

با این حال، محدودیت‌های موجود—از جمله اندازه کوچک نمونه، تفاوت در پروتکل‌های تصویربرداری مراکز مختلف و نویزهای حرکتی—می‌توانند بر پایداری نتایج تأثیرگذار باشند. همچنین، ادغام روش‌های یادگیری عمیق و افزایش حجم داده‌ها می‌تواند منجر به بهبود دقت تشخیص اوتیسم در مطالعات آتی شود.

۶. جمع‌بندی

رویکرد ترکیبی نظریه گراف و تحلیل حلقه‌های علیتی، راهکاری نویدبخش برای شناسایی الگوهای ناهنجار در شبکه‌های مغزی اوتیسم است. وجود تفاوت‌های آماری معنادار در ساختار و شدت حلقه‌های بازخورد، قابلیت این روش را در غربالگری و تشخیص اوتیسم برجسته می‌کند. آینده پژوهش در این حوزه، شامل توسعه مدل‌های چندوجهی، استفاده از تکنیک‌های عمیق یادگیری و بررسی جامع‌تر انواع داده‌های تصویربرداری خواهد بود. با گسترش پایگاه‌های داده و ارتقاء الگوریتم‌های تحلیلی، می‌توان به دقت و قابلیت تعمیم بیشتر در تشخیص اختلال طیف اوتیسم دست یافت.

منابع و مراجع