DOI: https://doi.org/10.1371/journal.pone.0340899
PMID: https://pubmed.ncbi.nlm.nih.gov/41628150
تاريخ النشر: 2026-02-02
المؤلف: Zhangying Zeng وآخرون
الموضوع الرئيسي: دراسات الاتصال الوظيفي في الدماغ
نظرة عامة
تتناول الدراسة التحديات التشخيصية لفيبروميالجيا (FM)، وهو متلازمة تتميز بألم واسع النطاق وغالبًا ما تكون مصحوبة بحالات أخرى. باستخدام التصوير بالرنين المغناطيسي الوظيفي في حالة الراحة (rs-fMRI) وتصوير الألياف (DTI)، تقدم الأبحاث نهجًا تشخيصيًا جديدًا يدمج خوارزميات التعلم الآلي لتحسين كفاءة التشخيص السريري لـ FM. أظهرت اختبارات t لعينة مزدوجة اختلافات كبيرة في مؤشرات تصوير الدماغ بين مرضى FM والأشخاص الأصحاء، لا سيما في الفصين الصدغي والجبهوي. تم تطوير نموذج تصنيف تشخيصي باستخدام آلة الدعم الناقل ومصنف الغابة العشوائية، مما يظهر أن دمج ميزات DTI يعزز بشكل كبير دقة التشخيص.
تشير النتائج إلى أن التغيرات في الشبكات المعرفية لدى مرضى FM تتوافق مع التغيرات الدقيقة في التلم الصدغي العلوي (STG) والمناطق الجبهية، بالإضافة إلى زيادة التعقيد في تنظيم أنسجة الدماغ. تسلط الدراسة الضوء على إمكانية دمج ميزات DTI مع تقنيات التعلم الآلي كمسار واعد لتطوير أدوات تشخيصية لـ FM. ومع ذلك، تدعو إلى مزيد من البحث مع أحجام عينات أكبر وطرق تصوير إضافية للتحقق من هذه النتائج الأولية وتوسيع نطاقها للتطبيق السريري.
مقدمة
تناقش مقدمة ورقة البحث فيبروميالجيا (FM)، وهي متلازمة تتميز بالألم المزمن، والإرهاق، واضطرابات النوم، مع انتشار ملحوظ أعلى لدى الإناث. لم يتم فهم مسببات FM بالكامل، ولكن تم تحديد الحساسية المركزية كآلية رئيسية، تتأثر بالعوامل الوراثية، والمناعية، والهرمونية. يعتمد تشخيص FM بشكل أساسي على الأعراض السريرية، مما يفتقر إلى مؤشرات حيوية موثوقة، مما يعقد الكشف وغالبًا ما يؤدي إلى التشخيص الخاطئ. كانت تقنيات التصوير العصبي، وخاصة التصوير بالرنين المغناطيسي الوظيفي في حالة الراحة (rs-fMRI)، أساسية في كشف الشذوذ الوظيفي في شبكات الدماغ لدى مرضى FM، مما يبرز التغيرات في مستوى الأكسجين في الدم (BOLD) والتغيرات في الاتصال في مناطق الدماغ المختلفة.
تؤكد الورقة على الحاجة إلى فهم أعمق للاتصال الشبكي الوظيفي (FNC) في FM، مشيرة إلى أن الطرق التقليدية الثابتة لـ FNC لا تلتقط الطبيعة الديناميكية لنشاط الدماغ. تشير الدراسات الحديثة إلى تغييرات كبيرة في الاتصال الشبكي الوظيفي الديناميكي (dFNC) المرتبط بـ FM، ومع ذلك لا يزال البحث حول كل من FNC الثابت والديناميكي محدودًا. بالإضافة إلى ذلك، أظهر تصوير الألياف (DTI) تغييرات دقيقة في المادة البيضاء بين مرضى FM، مما يشير إلى مؤشرات حيوية تصويرية محتملة للتشخيص. تهدف الدراسة إلى تعزيز دقة التشخيص من خلال دمج التعلم الآلي مع بيانات rs-fMRI وDTI لتطوير نموذج تصنيف ثنائي يميز مرضى FM عن الأشخاص الأصحاء، باستخدام خوارزميات آلة الدعم الناقل (SVM) والغابة العشوائية (RF) لتحسين نتائج التصنيف.
الطرق
تحدد قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، ومعدات، وعينات بيولوجية، مما يضمن إمكانية تكرار التجارب. يتم وصف المنهجية بطريقة منهجية، مع تسليط الضوء على التقنيات المستخدمة لجمع البيانات وتحليلها، مثل الأساليب الإحصائية أو النماذج الحسابية المطبقة لتفسير النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات حول إعداد التجربة، والضوابط، وأي بروتوكولات ذات صلة تم اتباعها لضمان سلامة وموثوقية النتائج. يسمح هذا النهج الشامل بفهم واضح لكيفية إجراء البحث ويقدم أساسًا لتقييم موثوقية النتائج المقدمة في الأقسام اللاحقة.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح النتائج بشكل منهجي، غالبًا ما يكون مدعومًا بالبيانات الإحصائية، والرسوم البيانية، أو الجداول لتوضيح أهمية النتائج. قد يسلط القسم الضوء على اتجاهات معينة، أو ارتباطات، أو أنماط تم ملاحظتها في البيانات، مما يوفر رؤى حول الأسئلة البحثية المطروحة في البداية.
بالإضافة إلى ذلك، يتم عادةً مقارنة النتائج مع الأدبيات الحالية أو التوقعات النظرية لوضع النتائج في سياق أوسع من مجال الدراسة. يتم أيضًا مناقشة أي شذوذ أو نتائج غير متوقعة، مما يقدم تفسيرات أو تداعيات محتملة للبحث المستقبلي. بشكل عام، يعد هذا القسم مكونًا حاسمًا من الورقة، حيث يضع الأساس للنقاشات والاستنتاجات اللاحقة.
المناقشة
استخدمت الدراسة بيانات التصوير بالرنين المغناطيسي الوظيفي في حالة الراحة (rs-fMRI) وتصوير الألياف (DTI) من قاعدة بيانات OpenNeuro للتحقيق في الخصائص التصويرية العصبية لفيبروميالجيا (FM) في مجموعة من 18 مريضة مقارنة بـ 20 شخصًا سليمًا. شملت معالجة البيانات تقنيات قياسية، بما في ذلك تصحيح حركة الرأس والتطبيع المكاني، تلتها تحليل الاتصال الوظيفي (FC) باستخدام مقاييس نظرية الرسم البياني. كشفت النتائج عن تغييرات كبيرة في الاتصال الشبكي الثابت للدماغ، لا سيما في الفصين الصدغي والجبهوي، مع انخفاض الاتصال في التلم الصدغي العلوي (STG) والتلم الجبهي الوسيط (MFGorb). كانت هذه التغييرات مرتبطة بضعف إدراكي واضطراب عاطفي لدى مرضى FM، كما يتضح من زيادة درجات الكارثية الألم والقلق.
حدد تحليل الاتصال الشبكي الوظيفي الديناميكي (dFNC) ثلاث حالات مميزة، حيث أظهر مرضى FM اتصالات ضعيفة بين شبكة الوضع الافتراضي (DMN) والشبكات السمعية، مما يشير إلى ضعف معالجة الحواس والوعي الذاتي. أشار تحليل DTI إلى زيادة قيم التباين الكسري (FA)، مما يعكس زيادة الميالين في مناطق معينة من الدماغ، والتي قد تتوافق مع تغيرات الإشارة العصبية في FM. تم استخدام نماذج التعلم الآلي، بما في ذلك آلات الدعم الناقل (SVM) والغابات العشوائية (RF)، لتصنيف مرضى FM بناءً على ميزات التصوير، محققة دقة ملحوظة، لا سيما مع مقاييس DTI. تسلط الدراسة الضوء على إمكانية دمج المؤشرات الحيوية التصويرية العصبية مع التعلم الآلي للتشخيص المبكر وفهم FM، مما يبرز أهمية STG والمناطق الجبهية في علم الأمراض الخاص بالاضطراب.
DOI: https://doi.org/10.1371/journal.pone.0340899
PMID: https://pubmed.ncbi.nlm.nih.gov/41628150
Publication Date: 2026-02-02
Author(s): Zhangying Zeng et al.
Primary Topic: Functional Brain Connectivity Studies
Overview
The study addresses the diagnostic challenges of fibromyalgia (FM), a syndrome marked by widespread pain and often accompanied by other conditions. Utilizing resting-state functional magnetic resonance imaging (rs-fMRI) and diffusion tensor imaging (DTI), the research introduces a novel diagnostic approach that incorporates machine learning algorithms to improve clinical diagnostic efficiency for FM. Two-sample t-tests indicated significant differences in brain imaging indices between FM patients and healthy controls, particularly in the temporal and frontal lobes. A diagnostic classification model was developed using a support vector machine and random forest classifier, demonstrating that the integration of DTI features significantly enhances diagnostic accuracy.
The findings suggest that cognitive network alterations in FM patients correlate with microstructural changes in the superior temporal gyrus (STG) and frontal regions, as well as increased complexity in brain tissue organization. The study highlights the potential of combining DTI features with machine learning techniques as a promising avenue for developing diagnostic tools for FM. However, it calls for further research with larger sample sizes and additional imaging modalities to validate and expand upon these preliminary results for clinical application.
Introduction
The introduction of the research paper discusses Fibromyalgia (FM), a syndrome marked by chronic pain, fatigue, and sleep disturbances, with a notably higher prevalence in females. The pathogenesis of FM is not fully understood, but central sensitization is identified as a key mechanism, influenced by genetic, immune, and hormonal factors. The diagnosis of FM is primarily clinical, lacking reliable biomarkers, which complicates detection and often leads to misdiagnosis. Neuroimaging techniques, particularly resting-state functional magnetic resonance imaging (rs-fMRI), have been instrumental in revealing functional abnormalities in brain networks of FM patients, highlighting altered blood oxygenation level-dependent (BOLD) signaling and connectivity changes in various brain regions.
The paper emphasizes the need for a deeper understanding of functional network connectivity (FNC) in FM, noting that traditional static FNC methods do not capture the dynamic nature of brain activity. Recent studies indicate significant alterations in dynamic functional network connectivity (dFNC) associated with FM, yet research on both static and dynamic FNC remains limited. Additionally, diffusion tensor imaging (DTI) has shown microstructural changes in white matter among FM patients, suggesting potential imaging biomarkers for diagnosis. The study aims to enhance diagnostic accuracy by integrating machine learning with rs-fMRI and DTI data to develop a binary classification model distinguishing FM patients from healthy controls, utilizing support vector machine (SVM) and random forest (RF) algorithms for improved classification outcomes.
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 is described in a systematic manner, highlighting the techniques for data collection and analysis, such as statistical methods or computational models applied to interpret the results.
Additionally, the section may include information on the experimental setup, controls, and any relevant protocols followed to ensure the integrity and validity of the findings. This comprehensive approach allows for a clear understanding of how the research was conducted and provides a foundation for evaluating the reliability of the results presented in subsequent sections.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It systematically outlines the outcomes, often supported by statistical data, graphs, or tables to illustrate the significance of the results. The section may highlight specific trends, correlations, or patterns observed in the data, providing insights into the research questions posed at the outset.
Additionally, the results are typically compared against existing literature or theoretical predictions to contextualize the findings within the broader field of study. Any anomalies or unexpected results are also discussed, offering potential explanations or implications for future research. Overall, this section serves as a critical component of the paper, laying the groundwork for subsequent discussions and conclusions.
Discussion
The study utilized resting-state functional magnetic resonance imaging (rs-fMRI) and diffusion tensor imaging (DTI) data from the OpenNeuro database to investigate the neuroimaging characteristics of fibromyalgia (FM) in a cohort of 18 female patients compared to 20 healthy controls. Data preprocessing involved standard techniques, including head motion correction and spatial normalization, followed by functional connectivity (FC) analysis using graph theory metrics. The findings revealed significant alterations in static brain network connectivity, particularly in the temporal and frontal lobes, with decreased connectivity in the superior temporal gyrus (STG) and medial frontal gyrus (MFGorb). These changes were associated with cognitive impairments and emotional dysregulation in FM patients, as indicated by increased pain catastrophizing and anxiety scores.
Dynamic functional network connectivity (dFNC) analysis identified three distinct states, with FM patients exhibiting weakened connections between the default mode network (DMN) and auditory networks, suggesting impaired sensory processing and self-awareness. DTI analysis indicated increased fractional anisotropy (FA) values, reflecting enhanced myelination in specific brain regions, which may correlate with altered neural signaling in FM. Machine learning models, including support vector machines (SVM) and random forests (RF), were employed to classify FM patients based on imaging features, achieving notable accuracy, particularly with DTI metrics. The study underscores the potential of integrating neuroimaging biomarkers with machine learning for the early diagnosis and understanding of FM, highlighting the importance of the STG and frontal regions in the disorder’s pathology.