DOI: https://doi.org/10.3390/brainsci16020239
PMID: https://pubmed.ncbi.nlm.nih.gov/41750239
تاريخ النشر: 2026-02-19
المؤلف: Kang Min-Kyoung وآخرون
الموضوع الرئيسي: دراسات الاتصال الوظيفي في الدماغ
نظرة عامة
تقدم هذه الدراسة إطار عمل جديد لشبكات الأعصاب الرسومية مصمم لتقييم مراحل مرض الزهايمر باستخدام إشارات قياس الطيف تحت الأحمر الوظيفي (fNIRS) في حالة الراحة. تسلط الأبحاث الضوء على أن رسومات تقلب التعقيد تتفوق بشكل كبير على الطرق التقليدية المعتمدة على السعة في تحديد التغيرات الشبكية، لا سيما في مرحلة ضعف الإدراك المعتدل (MCI). تشير النتائج إلى أن الاضطرابات المحددة لـ MCI في ديناميات الشبكة تعتبر أهدافًا حاسمة للكشف المبكر والمراقبة لمرض الزهايمر.
يؤكد الإطار على أهمية التعرف الآلي والمستقر على العلامات الحيوية على مستوى الشبكة، متجاوزًا التحليلات التقليدية للاتصال الثابت. من خلال استخدام تحليل الاستقرار القائم على الطي، وتحديد الشبكة التوافقية، والتأمل القائم على الانتباه، تستخرج الدراسة بنجاح توقيعات الشبكة الجبهية القابلة للتفسير التي تتوافق باستمرار مع MCI. تشير النتائج إلى أن التغيرات على مستوى الشبكة تكون أكثر وضوحًا في مرحلة MCI، مما يبرز ضرورة التركيز على المراحل المبكرة من المرض لتطوير نماذج تشخيصية فعالة. بشكل عام، تضع هذه الأبحاث بنية تحتية أساسية لاكتشاف العلامات الحيوية القابلة للتكرار في بيانات fNIRS في حالة الراحة، داعية إلى نهج منهجي يركز على الاتساق على مستوى الشبكة وقابلية التفسير الميكانيكية في الدراسات المستقبلية حول الأمراض التنكسية العصبية.
مقدمة
تناقش مقدمة ورقة البحث مرض الزهايمر (AD) كاضطراب تنكسي عصبي تقدمي يتميز بالتدهور المعرفي، حيث ينتقل من الشيخوخة الطبيعية إلى ضعف الإدراك المعتدل (MCI) وفي النهاية إلى الخرف. تؤكد على أهمية التقييم المبكر والمراقبة الطولية للعلامات الحيوية للتصوير العصبي، لا سيما من خلال طرق غير جراحية مثل قياس الطيف تحت الأحمر الوظيفي (fNIRS). على عكس تقنيات التصوير التقليدية مثل التصوير بالرنين المغناطيسي (MRI) والتصوير المقطعي بالإصدار البوزيتروني (PET)، تقدم fNIRS مزايا في التكلفة، وقابلية النقل، والقدرة على إجراء قياسات متكررة، مما يجعلها مناسبة لتتبع التغيرات في القشرة الجبهية (PFC)، وهي منطقة تتأثر مبكرًا في مرض الزهايمر.
تنتقد الورقة الدراسات الحالية لـ fNIRS التي تستخدم بشكل أساسي نماذج مستحثة بالمهام، والتي يمكن أن تفرض أعباء معرفية على المرضى وتحد من إمكانية المراقبة طويلة الأمد. تسلط الضوء على إمكانيات fNIRS في حالة الراحة كبديل أقل تطلبًا، على الرغم من أن الطرق الحالية غالبًا ما تركز على الاقتران الخطي للسعة وقد تتجاهل التغيرات الحاسمة في ديناميات الإشارات العصبية الوعائية. يقترح المؤلفون إطار عمل جديد يستخدم النمذجة القائمة على الرسوم البيانية والشبكات العصبية الرسومية (GNNs) لتحليل تقلبات التعقيد في بيانات fNIRS في حالة الراحة. يهدف هذا النهج إلى التقاط التزامن بين المناطق لنمط التعقيد الزمني، مما يعزز قابلية تفسير العلامات الحيوية وقابلية تكرارها لمراحل مرض الزهايمر. من خلال دمج الديناميات غير الخطية مع التفاعلات الشبكية، تسعى الدراسة إلى تحديد علامات حيوية قوية يمكن أن تسهل المراقبة الطولية وتدعم الأنظمة العصبية التكيفية المستقبلية.
النتائج
تسلط نتائج هذه الدراسة الضوء على إطار عمل جديد قائم على الرسوم البيانية لتحليل بيانات قياس الطيف تحت الأحمر الوظيفي (fNIRS) في الاضطرابات التنكسية العصبية، مع التركيز بشكل خاص على القشرة الجبهية. على عكس الأساليب التقليدية التي تفحص بشكل أساسي الميزات الثابتة أو الاتصال الوظيفي التقليدي، يركز هذا الإطار على تزامن تقلبات التعقيد الزمنية في الإشارات العصبية الوعائية. يسمح هذا التحول بفهم أعمق لكيفية تجلي التغيرات الشبكية المرتبطة بالتدهور المعرفي عبر مراحل المرض المختلفة، لا سيما في ضعف الإدراك المعتدل (MCI) ومرض الزهايمر (AD).
تتمثل إحدى النتائج المهمة في أن التغيرات على مستوى الشبكة كانت الأكثر وضوحًا خلال مرحلة MCI، مما يشير إلى انهيار نسق معقد من الديناميات المتناسقة، وهو ما يتناقض مع الأنماط الأكثر تباينًا التي لوحظت في مرض الزهايمر. يتحدى هذا الفكرة السائدة حول تدهور خطي لوظيفة الشبكة ويبرز أهمية MCI كمرحلة انتقالية محورية. علاوة على ذلك، يسهل استخدام آليات الانتباه الرسومية اكتشاف العلامات الحيوية القابلة للتكرار والقابلة للتفسير، متجاوزًا مجرد دقة التصنيف. إن الطبيعة الخالية من المهام للإطار، ومتطلبات البيانات المتواضعة، والمخرجات الواضحة تضعه كأداة قيمة للمراقبة الطولية وتطبيقات التكنولوجيا العصبية، مما يعزز الفهم لتقدم الأمراض التنكسية العصبية.
المناقشة
في هذه الدراسة، تم جمع بيانات قياس الطيف تحت الأحمر الوظيفي (fNIRS) في حالة الراحة من ثلاث مجموعات: مرضى الزهايمر (AD)، ومرضى ضعف الإدراك المعتدل (MCI)، وأشخاص أصحاء معرفيًا (HC). تم تشخيص المشاركين بدقة باستخدام تقييمات نفسية عصبية معتمدة، وتم التحكم في العوامل الديموغرافية لتجنب تأثيرات التداخل المرتبطة بالعمر. استخدمت التحليلات تحليل التباين (ANCOVA) لتأكيد أن الفروق في الأداء المعرفي بين المجموعات ظلت ذات دلالة إحصائية بعد التعديل للعمر، مما يثبت الطبيعة المحددة للمرض للاضطرابات الملحوظة.
تمت معالجة بيانات fNIRS مسبقًا لعزل التقلبات الديناميكية ذات الصلة، وتم استخراج ثلاثة مقاييس تعقيد غير خطية—البعد الكسري لـ Higuchi (HFD)، وانتروبيا الطيف (SE)، وانتروبيا الموجة (WE)—لتوصيف الديناميات الداخلية لاستجابة الدم الديناميكية في الدماغ. تم حساب هذه المقاييس بطريقة نافذة منزلقة لالتقاط التقلبات الزمنية، واستخدمت التحليلات اللاحقة الشبكات العصبية الرسومية (GNNs) لتصنيف المجموعات التشخيصية بناءً على الرسوم البيانية على مستوى الموضوع التي تم إنشاؤها. أشارت النتائج إلى أن تعريفات الحواف المعتمدة على التعقيد تفوقت بشكل كبير على مقاييس الاتصال الخام التقليدية في تمييز مراحل المرض، مما يبرز أهمية دمج الديناميات غير الخطية في فهم الاضطرابات المعرفية المرتبطة بالأمراض التنكسية العصبية.
القيود
تعترف الدراسة بعدة قيود قد تؤثر على النتائج وتفسيرها. أولاً، كانت حجم العينة لمجموعة مرضى الزهايمر (AD) متواضعًا، مما قد يحد من القوة الإحصائية ويساهم في تباين اختيار العلامات الحيوية. تشير الفروق العالية الملحوظة في بعض تكوينات النموذج إلى حساسية لحجم العينة، والتي تم التعامل معها من خلال استخدام تمثيلات الرسوم البيانية على مستوى الموضوع والتحقق المتقاطع المصنف، مما يضمن إجراء التقييمات على مواضيع مستقلة مع مراعاة عدم التوازن في الفئات عبر وظائف خسارة موزونة حسب الفئة.
ثانيًا، ركز التحليل بشكل حصري على تسجيلات fNIRS الجبهية، متجاهلاً مناطق قشرية أخرى قد تظهر أيضًا تغييرات مرتبطة بالمرض. كان هذا الاختيار متعمدًا لتقليل التباين بين الأفراد والتركيز على منطقة معروفة بأهميتها في ضعف الوظائف التنفيذية وضعف الإدراك المبكر. بالإضافة إلى ذلك، تم تقييم الاتصال الوظيفي باستخدام ارتباط بيرسون لسلاسل الزمن لتقلبات التعقيد، والتي تلتقط الاعتماديات الخطية ولكن قد تتجاهل التفاعلات غير الخطية. للتخفيف من ذلك، دمجت الدراسة مقاييس تعقيد متعددة على مستوى العقدة، مما يسمح بترميز الديناميات غير الخطية. أخيرًا، بينما كانت استقرار العلامات الحيوية الرسومية المختارة محدودًا، حدد التحليل مجموعة فرعية متسقة من الحواف التوافقية عبر طيات متعددة. قامت الدراسة بت quantifying هذا الاستقرار باستخدام تشابه جاكارد وعتبات التوافق، مما يوفر شفافية بشأن قابلية تكرار توقيعات الشبكة المحددة.
DOI: https://doi.org/10.3390/brainsci16020239
PMID: https://pubmed.ncbi.nlm.nih.gov/41750239
Publication Date: 2026-02-19
Author(s): Kang Min-Kyoung et al.
Primary Topic: Functional Brain Connectivity Studies
Overview
This study introduces a novel graph neural network framework designed for assessing Alzheimer’s disease stages using resting-state prefrontal functional near-infrared spectroscopy (fNIRS) signals. The research highlights that complexity-fluctuation graphs significantly outperform traditional amplitude-based functional connectivity methods in identifying network alterations, particularly at the mild cognitive impairment (MCI) stage. The findings suggest that MCI-specific disruptions in network dynamics serve as critical targets for early detection and monitoring of Alzheimer’s disease.
The framework emphasizes the importance of automated and stability-aware identification of network-level biomarkers, moving beyond conventional static connectivity analyses. By employing fold-wise stability analysis, consensus network identification, and attention-based introspection, the study successfully extracts interpretable prefrontal network signatures that consistently correlate with MCI. The results indicate that network-level alterations are most pronounced at the MCI stage, underscoring the necessity of focusing on early disease stages for developing effective diagnostic models. Overall, this research lays a foundational infrastructure for reproducible biomarker discovery in resting-state fNIRS data, advocating for a methodological approach that prioritizes network-level consistency and mechanistic interpretability in future neurodegenerative disease studies.
Introduction
The introduction of the research paper discusses Alzheimer’s disease (AD) as a progressive neurodegenerative disorder marked by cognitive decline, transitioning from normal aging to mild cognitive impairment (MCI) and ultimately dementia. It emphasizes the importance of early assessment and longitudinal monitoring of neuroimaging biomarkers, particularly through non-invasive methods like functional near-infrared spectroscopy (fNIRS). Unlike traditional imaging techniques such as MRI and PET, fNIRS offers advantages in cost, portability, and the ability to conduct repeated measurements, making it suitable for tracking changes in the prefrontal cortex (PFC), a region affected early in AD.
The paper critiques existing fNIRS studies that primarily utilize task-evoked paradigms, which can impose cognitive burdens on patients and limit the feasibility of long-term monitoring. It highlights the potential of resting-state fNIRS as a less demanding alternative, although current methods often focus on linear amplitude coupling and may overlook critical alterations in the dynamics of neurovascular signals. The authors propose a novel framework that employs graph-based modeling and graph neural networks (GNNs) to analyze complexity fluctuations in resting-state fNIRS data. This approach aims to capture inter-regional synchronization of temporal complexity patterns, enhancing interpretability and reproducibility of biomarkers for AD stages. By integrating nonlinear dynamics with network interactions, the study seeks to identify robust biomarkers that can facilitate longitudinal monitoring and support future neuroadaptive systems.
Results
The results of this study highlight a novel graph-based framework for analyzing resting-state functional near-infrared spectroscopy (fNIRS) data in neurodegenerative disorders, particularly focusing on the prefrontal cortex. Unlike traditional approaches that primarily examine static features or conventional functional connectivity, this framework emphasizes the synchronization of time-resolved complexity fluctuations in neurovascular signals. This shift allows for a deeper understanding of how network alterations associated with cognitive decline manifest across different stages of disease, particularly in mild cognitive impairment (MCI) and Alzheimer’s disease (AD).
A significant finding is that network-level changes were most pronounced during the MCI stage, suggesting a relatively uniform breakdown of coordinated complexity dynamics, which contrasts with the more heterogeneous patterns observed in AD. This challenges the prevailing notion of a linear degradation of network function and underscores the importance of MCI as a pivotal transitional phase. Furthermore, the use of graph attention mechanisms facilitates reproducible and interpretable biomarker discovery, moving beyond mere classification accuracy. The framework’s task-free nature, modest data requirements, and clear outputs position it as a valuable tool for longitudinal monitoring and neurotechnological applications, thereby enhancing the understanding of neurodegenerative disease progression.
Discussion
In this study, resting-state functional near-infrared spectroscopy (fNIRS) data were collected from three groups: patients with Alzheimer’s disease (AD), patients with mild cognitive impairment (MCI), and cognitively healthy controls (HC). The participants were rigorously diagnosed using established neuropsychological assessments, and demographic factors were controlled for age-related confounding effects. The analysis employed Analysis of Covariance (ANCOVA) to confirm that cognitive performance differences among the groups remained significant after adjusting for age, thereby validating the disease-specific nature of the observed impairments.
The fNIRS data were preprocessed to isolate relevant hemodynamic fluctuations, and three nonlinear complexity metrics—Higuchi’s fractal dimension (HFD), spectral entropy (SE), and wavelet entropy (WE)—were extracted to characterize the intrinsic dynamics of the brain’s hemodynamic response. These metrics were computed in a sliding-window manner to capture temporal fluctuations, and subsequent analyses utilized graph neural networks (GNNs) to classify the diagnostic groups based on the constructed subject-level graphs. The results indicated that complexity-based edge definitions significantly outperformed traditional raw connectivity measures in disease-stage discrimination, highlighting the importance of incorporating nonlinear dynamics in understanding cognitive impairments associated with neurodegenerative diseases.
Limitations
The study acknowledges several limitations that may affect the findings and their interpretation. Firstly, the sample size for the Alzheimer’s disease (AD) group was modest, potentially limiting statistical power and contributing to variability in biomarker selection. The observed high variance in certain model configurations indicates sensitivity to sample size, which was addressed through the use of subject-level graph representations and stratified cross-validation, ensuring evaluations were conducted on independent subjects while accounting for class imbalance via class-weighted loss functions.
Secondly, the analysis focused exclusively on prefrontal fNIRS recordings, omitting other cortical regions that may also exhibit disease-related alterations. This choice was deliberate to reduce inter-subject variability and to concentrate on a region known for its relevance to executive dysfunction and early cognitive impairment. Additionally, functional connectivity was assessed using Pearson correlation of window-wise complexity-fluctuation time series, which captures linear dependencies but may overlook nonlinear interactions. To mitigate this, the study integrated multiple complexity metrics at the node level, allowing for the encoding of nonlinear dynamics. Lastly, while the stability of selected graph biomarkers was limited, the analysis identified a consistent subset of consensus edges across multiple folds. The study quantified this stability using Jaccard similarity and consensus thresholds, providing transparency regarding the reproducibility of the identified network signatures.