DOI: https://doi.org/10.1007/s12021-026-09782-5
PMID: https://pubmed.ncbi.nlm.nih.gov/42065849
تاريخ النشر: 2026-05-01
المؤلف: Hossein Haghighat
الموضوع الرئيسي: دراسات الاتصال الوظيفي في الدماغ
نظرة عامة
تناقش هذه الفقرة تطوير نظام تشخيص بمساعدة الكمبيوتر يعتمد على العمر (CADS) لاضطراب طيف التوحد (ASD) باستخدام تصوير الرنين المغناطيسي الوظيفي في حالة الراحة (rs-fMRI) لتحليل الاتصال الوظيفي (FC) في نطاق التردد. تسلط الدراسة الضوء على التحديات المتعلقة بتشخيص ASD بناءً فقط على الأعراض السلوكية وتقترح طريقة تستفيد من بيانات rs-fMRI لتعزيز دقة التشخيص. شملت المنهجية معالجة بيانات rs-fMRI مسبقًا، وتطبيق تحليل المكونات المستقلة الجماعية (GICA) لتحديد الشبكات في حالة الراحة (RSNs)، وإجراء تحليل التماسك لاستخراج ميزات FC. كانت دقة التصنيف المحققة 95.23% للأطفال، و88.1% للمراهقين، و92.8% للبالغين، مما يدل على فعالية CADS المقترح عبر مجموعات عمرية مختلفة.
في الخاتمة، تؤكد الدراسة على تفوق ميزات نطاق التردد على ميزات نطاق الزمن في تصنيف ASD، خاصة بالنسبة للمراهقين والبالغين، مع ملاحظة أداء مكافئ للأطفال. تشير النتائج إلى أن تحليل نطاق التردد قد يوفر رؤى تشخيصية أكثر موثوقية لاضطراب طيف التوحد. يوصي المؤلفون بمزيد من البحث مع مجموعات بيانات أكبر للتحقق من هذه النتائج واستكشاف الميزات الترددية المحددة التي تميز بين ASD والأشخاص الأصحاء (HC) عبر مجموعات عمرية. بالإضافة إلى ذلك، توضح الدراسة استخراج 21 مكونًا مستقلًا (ICs) بعد GICA، مع تحديد ثلاثة منها كضوضاء وإزالتها، مما يبرز الصرامة المنهجية في عزل الإشارات العصبية ذات الصلة للتحليل.
مقدمة
تناقش مقدمة الورقة اضطراب طيف التوحد (ASD)، وهو حالة عصبية تنموية تتميز بعيوب في التواصل، وتحديات في التفاعل الاجتماعي، وسلوكيات متكررة. تعتمد طرق التشخيص الحالية بشكل كبير على تقنيات الملاحظة النوعية، مما قد يؤدي إلى عدم اتساق في التشخيص. لمعالجة هذه القيود، يقترح المؤلفون استخدام خوارزميات التعلم الآلي (ML) المطبقة على بيانات تصوير الرنين المغناطيسي الوظيفي في حالة الراحة (rs-fMRI)، والتي يمكن أن تعزز دقة وموثوقية تصنيف ASD. تؤكد الدراسة على أهمية تحديد معايير كمية للتشخيص، خاصة من خلال تحليل أنماط الاتصال الوظيفي للدماغ (FC).
يبرز المؤلفون إمكانيات rs-fMRI لكشف وظائف الشبكات العصبية الداخلية عبر تقلبات إشارة مستوى الأكسجين في الدم (BOLD). يشيرون إلى أنه بينما ركزت الأبحاث السابقة بشكل أساسي على تحليلات نطاق الزمن لبيانات rs-fMRI، هناك اهتمام متزايد بالنهج في نطاق التردد. تهدف هذه الدراسة إلى مقارنة دقة التصنيف بين الأفراد المصابين بـ ASD والأشخاص الأصحاء (HC) عبر ثلاث مجموعات عمرية (الأطفال، المراهقون، والبالغون) باستخدام ميزات من كلا النطاقين. تشمل المنهجية تحليل المكونات المستقلة الجماعية (GICA) وتحليل التماسك لاستخراج الميزات، تليها التصنيف باستخدام خوارزميات متنوعة. من المتوقع أن تسهم النتائج في فهم أعمق لأنماط الاتصال الدماغي في ASD وتوجيه استراتيجيات إعادة التأهيل الأكثر فعالية.
طرق
تحدد فقرة “المواد والطرق” التصميم التجريبي والإجراءات المستخدمة في الدراسة. توضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، ومعدات، وعينات بيولوجية، مما يضمن إمكانية تكرار التجارب. تشمل المنهجية العمليات خطوة بخطوة المتبعة، بما في ذلك أي تحليلات إحصائية تم إجراؤها لتقييم البيانات.
بالإضافة إلى ذلك، قد تصف الفقرة الإعداد التجريبي، والضوابط، وأي متغيرات تم التلاعب بها خلال الدراسة. يسمح هذا النهج الشامل بفهم واضح لكيفية إجراء البحث، مما يسهل تقييم صلاحية وموثوقية النتائج المقدمة في الأقسام اللاحقة.
مناقشة
في هذه الدراسة، استخدم المؤلفون مجموعة بيانات ABIDE للتحقيق في الاتصال الوظيفي لدى الأفراد المصابين باضطراب طيف التوحد (ASD) عبر مجموعات عمرية مختلفة: الأطفال (تحت 11 عامًا)، المراهقون (11-18 عامًا)، والبالغون (أكثر من 18 عامًا). ركز التحليل على بيانات من مركز لانغون الطبي بجامعة نيويورك للتحكم في تباين معلمات التصوير. تألفت كل مجموعة عمرية من 21 فردًا مصابًا بـ ASD و21 فردًا صحيًا (HC)، متطابقين من حيث الجنس ودرجة الذكاء. استخدمت الدراسة تحليل المكونات المستقلة الجماعية (GICA) لاستخراج الشبكات في حالة الراحة (RSNs) وتحليل التماسك لتقييم ميزات نطاق التردد، خاصة في النطاق من 0.01 إلى 0.1 هرتز، بما في ذلك نطاقات التردد التي لم يتم استكشافها سابقًا.
أشارت النتائج إلى وجود اختلافات كبيرة في التماسك بين الأفراد المصابين بـ ASD وHC، خاصة في مجموعة الأطفال، خاصة عند ترددات 0.05 هرتز و0.09 هرتز. بالمقابل، لم تُلاحظ اختلافات كبيرة في المراهقين أو البالغين. كما سلطت الدراسة الضوء على أهمية تحليل نطاق التردد مقارنة بتحليل نطاق الزمن، مما يشير إلى أن الميزات المعتمدة على التردد قد توفر دقة تشخيصية محسنة لـ ASD، خاصة في المجموعات العمرية الأكبر. تؤكد النتائج على ضرورة إجراء مزيد من الأبحاث لاستكشاف الاختلافات الترددية المحددة وآثارها على فهم وعلاج ASD. بشكل عام، تقترح الدراسة نهج تصنيف يعتمد على العمر لـ ASD بناءً على ميزات نطاق التردد، داعية إلى استخدام مجموعات بيانات أكبر في التحقيقات المستقبلية للتحقق من النتائج وتعميمها.
القيود
القيود الرئيسية لهذه الدراسة، المتوافقة مع أبحاث مماثلة في هذا المجال، هي حجم العينة الصغيرة، مما يحد من إمكانية تعميم النتائج. لتعزيز قوة النتائج، ينبغي أن تهدف التحقيقات المستقبلية إلى تضمين مجموعة بيانات أكبر. بالإضافة إلى ذلك، يقترح المؤلفون أن القيود التي تم مواجهتها أثناء جمع البيانات قد يتم التخفيف منها من خلال استخدام طرق تعتمد على الذكاء الاصطناعي لتوليد البيانات، مما قد يسهل قياس النتائج بشكل أكثر دقة.
DOI: https://doi.org/10.1007/s12021-026-09782-5
PMID: https://pubmed.ncbi.nlm.nih.gov/42065849
Publication Date: 2026-05-01
Author(s): Hossein Haghighat
Primary Topic: Functional Brain Connectivity Studies
Overview
This section discusses the development of an age-dependent computer-aided diagnosis system (CADS) for Autism Spectrum Disorder (ASD) utilizing resting-state functional magnetic resonance imaging (rs-fMRI) to analyze functional connectivity (FC) in the frequency domain. The study highlights the challenges of diagnosing ASD based solely on behavioral symptoms and proposes a method that leverages rs-fMRI data to enhance diagnostic accuracy. The methodology involved preprocessing the rs-fMRI data, applying group-independent component analysis (GICA) to identify resting state networks (RSNs), and conducting coherence analysis to extract FC features. The classification accuracy achieved was 95.23% for children, 88.1% for adolescents, and 92.8% for adults, indicating the effectiveness of the proposed CADS across different age groups.
In the conclusion, the study emphasizes the superiority of frequency domain features over time domain features in classifying ASD, particularly for adolescents and adults, while noting equivalent performance in children. The results suggest that frequency domain analysis may provide more reliable diagnostic insights for ASD. The authors recommend further research with larger datasets to validate these findings and to explore the specific frequency features that differentiate between ASD and healthy controls (HC) across age groups. Additionally, the study outlines the extraction of 21 independent components (ICs) post-GICA, with three identified as noise and removed, underscoring the methodological rigor in isolating relevant neural signals for analysis.
Introduction
The introduction of the paper discusses Autism Spectrum Disorder (ASD), a neurodevelopmental condition characterized by communication deficits, social interaction challenges, and repetitive behaviors. Current diagnostic methods rely heavily on qualitative observational techniques, which can lead to inconsistencies in diagnosis. To address these limitations, the authors propose the use of machine learning (ML) algorithms applied to resting-state functional magnetic resonance imaging (rs-fMRI) data, which can enhance the accuracy and reliability of ASD classification. The study emphasizes the importance of identifying quantitative criteria for diagnosis, particularly through the analysis of brain functional connectivity (FC) patterns.
The authors highlight the potential of rs-fMRI to reveal intrinsic brain network functions via blood oxygen level-dependent (BOLD) signal fluctuations. They note that while previous research has predominantly focused on time-domain analyses of rs-fMRI data, there is a growing interest in frequency-domain approaches. This study aims to compare classification accuracies of ASD versus healthy control (HC) individuals across three age groups (children, adolescents, and adults) using both time and frequency domain features. The methodology includes group-independent component analysis (GICA) and coherence analysis for feature extraction, followed by classification using various algorithms. The findings are expected to contribute to a deeper understanding of brain connectivity patterns in ASD and inform more effective rehabilitation strategies.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methodology encompasses the step-by-step processes followed, including any statistical analyses performed to evaluate the data.
Additionally, the section may describe the experimental setup, controls, and any variables manipulated during the study. This comprehensive approach allows for a clear understanding of how the research was conducted, facilitating the assessment of the validity and reliability of the findings presented in subsequent sections.
Discussion
In this study, the authors utilized the ABIDE dataset to investigate functional connectivity in individuals with Autism Spectrum Disorder (ASD) across different age groups: children (under 11 years), adolescents (11-18 years), and adults (over 18 years). The analysis focused on data from the New York University Langone Medical Center to control for imaging parameter variability. Each age group consisted of 21 ASD and 21 healthy control (HC) individuals, matched for gender and IQ. The study employed Group Independent Component Analysis (GICA) to extract resting state networks (RSNs) and coherence analysis to evaluate frequency domain features, particularly in the range of 0.01 to 0.1 Hz, including previously underexplored frequency bands.
The results indicated significant differences in coherence between ASD and HC individuals primarily in the children group, particularly at frequencies of 0.05 Hz and 0.09 Hz. In contrast, no significant differences were observed in adolescents or adults. The study also highlighted the importance of frequency domain analysis over time domain analysis, suggesting that frequency-based features may provide enhanced diagnostic accuracy for ASD, especially in older age groups. The findings underscore the necessity for further research to explore the identified frequency differences and their implications for understanding and treating ASD. Overall, the study proposes an age-dependent classification approach for ASD based on frequency domain features, advocating for larger datasets in future investigations to validate and generalize the results.
Limitations
The primary limitation of this study, consistent with similar research in the field, is the small sample size, which restricts the generalizability of the findings. To enhance the robustness of the results, future investigations should aim to include a larger dataset. Additionally, the authors suggest that the constraints encountered during data collection may be mitigated by employing artificial intelligence-based methods for data generation, which could facilitate more accurate measurement of outcomes.