ﺗﺸﺨﯿﺺ اﺗﻮﻣﺎﺗیک اﺧﺘﻼل ﻃﯿﻒ اوﺗﯿﺴﻢ مبتنی ﺑﺮ ارﺗﺒﺎط ﻣﺆﺛﺮ در NMD و بررسی ﻋﺪم ﺗﻘﺎرن نیمکره ای ﻣﻐﺰ
محور پژوهش
تجهیزات و ملزومات پزشکی
پژوهشکده/دانشکده
مهندسی برق و کامپیوتر
حوزه پژوهش
تشخیص بیماری شناختی، fMRI، کشف حقایقی در مورد مغز
عنوان
ﺗﺸﺨﯿﺺ اﺗﻮﻣﺎﺗیک اﺧﺘﻼل ﻃﯿﻒ اوﺗﯿﺴﻢ مبتنی ﺑﺮ ارﺗﺒﺎط ﻣﺆﺛﺮ در NMD و بررسی ﻋﺪم ﺗﻘﺎرن نیمکره ای ﻣﻐﺰ
هدف از اجرای پژوهش، کاربردها، مزیت‌ها و ضرورت انجام پروژه
: درﺳﺮاﺳﺮ دﻧﯿﺎ ﺗﻘﺮﯾﺒﺎً یک درﺻﺪ ﻣﺮدم ﺑﺎ اﺧﺘﻼل ﻃﯿﻒ اوﺗﯿﺴﻢ (ASD) ﺷﻨﺎﺧﺘﻪ ﻣﯽ ﺷﻮﻧﺪ. رﺷﺪ ﺷﯿﻮع اﯾﻦ ﺑﯿﻤﺎری در ﻣﯿﺎن ﮐﺸﻮرﻫﺎی ﻣﺨﺘﻠﻒ ﻣﺸﺎﺑﻪ اﺳﺖ. اﯾﻦ اﺧﺘﻼل دﺳﺘﻪ ای از اﺧﺘﻼﻻت ﻋﺼﺒﯽ اﺳﺖ ﮐﻪ ﻣﻌﻤﻮﻻ ﺑﺎ ﮐﻤﺒﻮدﻫﺎﯾﯽ در ﺗﻌﺎﻣﻼت و ارﺗﺒﺎﻃﺎت اﺟﺘﻤﺎعی ﺷﻨﺎﺧﺘﻪ می ﺷﻮد. ﺑﻪﻋﻠﺖ ﺗﺸﺎﺑﻪ اﺧﺘﻼل اوﺗﯿﺴﻢ ﺑﺎ ﺗﻌﺪادی از اﺧﺘﻼﻻت شناختی در برخی ﻋﻼﺋﻢ، ﺗﺸﺨﯿﺺ اﯾﻦ ﺑﯿﻤﺎری ﺑﻪ ﺧﺼﻮص در ﮐﻮدﮐﺎن ﻣﻌﻤﻮﻻً ﺑﺎ ﭼﻨﺪ ﺳﺎل ﺗﺄﺧﯿﺮ ﺻﻮرت می ﮔﯿﺮد. اﺳﺘﻔﺎده از ﺗﺼﺎوﯾﺮ عملکردی ﺑﻪ ﺧﺼﻮص ﺗﺼﺎوﯾﺮ ﺗﺸﺪﯾﺪ ﻣﻐﻨﺎطیسی عملکردی در ﺣﺎﻟﺖ اﺳﺘﺮاﺣﺖ (rs-fMRI) ﺑﻪ ﻋﻠﺖ داﺷﺘﻦذاتی ﻏﯿﺮﺗﻬﺎﺟمی و ﺑﯽ ﻧﯿﺎز ﺑﻪ اﻧﺠﺎم ﺗﮑﻠﯿﻒ در ﺣﯿﻦ ﺗﺼﻮﯾﺮﺑﺮداری روشی ﻣﻨﺎﺳﺐ ﺑﺮای ﯾﺎﻓﺘﻦ ﻧﺸﺎﻧﮕﺮﻫﺎی زﯾﺴتی دﻗﯿﻖ ﺟﻬﺖ ﺗﺸﺨﯿﺺ اﯾﻦ ﺑﯿﻤﺎری ﻫﺴﺘﻨﺪ. ﺑﺮای ﻓﻬﻢ ﺑﻬﺘﺮ از عملکرد ﻓﻌﺎﻟﯿﺖ ﻣﻐﺰ در اﯾﻦ ﺑﯿﻤﺎری ﺗﻌﺪاد زﯾﺎدی از ﻣﻄﺎﻟﻌﺎت از ارﺗﺒﺎطﻫﺎی عملکردی اﺳﺘﻔﺎده ﮐﺮده اﻧﺪ؛ اﻣﺎ اﯾﻦ ﻣﻄﺎﻟﻌﺎت ﻧﺘﺎﯾﺞ ﻣﺘﻨﺎقض را ﮔﺰارش ﮐﺮده اﻧﺪ. شبکه ﺣﺎﻟﺖ ﭘﯿﺶ ﻓﺮض (DMN) یک شبکه ﻣﻐﺰی ﺣﺎﺋﺰ اﻫﻤﯿﺖ در ASD اﺳﺖ ﮐﻪ ﺑﯿﺶﺗﺮﯾﻦ اﺧﺘﻼل ﺑﯿﻦ شبکهﻫﺎی عملکردی در آن دﯾﺪه ﺷﺪه اﺳﺖ. ﻋﺪم ﺗﻘﺎرن ﻣﻐﺰی یکی از ﺟﻨﺒﻪ ﻫﺎی اﺳﺎسی ﻣﻐﺰ اﻧﺴﺎن اﺳﺖ ﮐﻪ در ﺑﺴﯿﺎری از اﺧﺘﻼﻻت روان ﭘﺰﺷکی ﺗﻐﯿﯿﺮ می ﮐﻨﺪ. در اﯾﻦ ﻣﻄﺎﻟﻌﻪ ارﺗﺒﺎط ﻫﺎی ﻣﺆﺛﺮ در ﻫﺴﺘﻪ اﺻﻠی DMN ﺑﺎ اﺳﺘﻔﺎده از روش ﻣﺪلﺳﺎزی ﻋﻠی دﯾﻨﺎﻣﯿک ﻃﯿﻔی (spDCM) ﻣﺤﺎﺳﺒﻪ ﺷﺪه اﺳﺖ و از اﯾﻦ ﭘﺎراﻣﺘﺮﻫﺎی ارﺗﺒﺎطی در ﺟﻬﺖ ﺑﺮرسی ﻋﺪم ﺗﻘﺎرن ﻣﻐﺰی و ﻃﺒﻘﻪ ﺑﻨﺪی و ﺗﺸﺨﯿﺺ اﯾﻦ اﺧﺘﻼل ﺑﺎ اﺳﺘﻔﺎده از روش ﻫﺎی ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻦ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ. در اﯾﻦ راﺳﺘﺎ از ۲۰ ﺳﺎﯾﺖ از ﻣﺠﻤﻮﻋﻪ داده های ABIDE ﺷﺎﻣﻞ ۱۱۴۹ ﻧﻔﺮ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ. گزارش و شرح زیرساخت‌ها، فعالیت‌ها، و دستاوردها این پژوهش طی قراردادی با ستاد توسعه علوم شناختی انجام گرفت. نتایج ﺑﺮرسی ﻋﺪم ﺗﻘﺎرن در شبکهDMN ﻧﺸﺎن دﻫﻨﺪه ی ﮐﺎﻫﺶ ﻗﺎﺑﻞ ﺗﻮﺟﻪ ﻋﺪم ﺗﻘﺎرن نیمکره ای ﻣﻐﺰ در ارﺗﺒﺎطﻫﺎی ﻗﺸﺮ ﭘﯿﺶ پیشانی میانی و ﻗﺸﺮ گیجگاهی ﭘﺎیینی ﭼﭗ و راﺳﺖ در ASD ﻧﺴﺒﺖ ﺑﻪ اﻓﺮاد ﺳﺎﻟﻢ اﺳﺖ. ﻋﻼوه ﺑﺮ اﯾﻦ ﺣﺪاﮐﺜﺮ دﻗﺖ ﻃﺒﻘﻪ ﺑﻨﺪی ﺑﻪ دﺳﺖ آﻣﺪه ﺟﻬﺖ ﺗﺸﺨﯿﺺ اﯾﻦ اﺧﺘﻼل ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ روش ﻫﺎی ﭘﯿﺸﻨﻬﺎدی ﺑﺎ اﺳﺘﻔﺎده از الگورﯾﺘﻢ ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻦ ﺟﻨﮕﻞ ﺗﺼﺎدفی در ﺑﯿﻦ ﻣﺠﻤﻮﻋﻪ داده ABIDE متعلق به سایت ABIDEII-IP با دقت 96%، سپس ﺳﺎﯾﺖ ABIDEI-Caltech ﺑﺎ دﻗﺖ 92% و سپس برای سایت ABIDEII-USM ﺑﺎ دﻗﺖ 90% بوده است. ﻣﯿﺎﻧﮕﯿﻦ دﻗﺖ ﻃﺒﻘﻪ ﺑﻨﺪی ﺑﺎ اﺳﺘﻔﺎده از الگورﯾﺘﻢ ﺟﻨﮕﻞ ﺗﺼﺎدفی ﺑﺮای ﻫﻤﻪ ﺳﺎﯾﺖ ﻫﺎ 32/75 درﺻﺪ بوده اﺳﺖ. تصاویر و محتوای گرافیکی مرتبط تصویری از ایده عدم تقارن و نتایج آن در زیر نشان داده شده است.
