DOI: https://doi.org/10.3389/fncom.2025.1742563
PMID: https://pubmed.ncbi.nlm.nih.gov/41613385
تاريخ النشر: 2026-01-14
المؤلف: Yaning Wang وآخرون
الموضوع الرئيسي: دراسات الاتصال الوظيفي في الدماغ
نظرة عامة
تناقش هذه الفقرة أهمية استخراج الميزات من مناطق الدماغ غير الطبيعية لدى مرضى الفصام باستخدام طرق تحليل متقدمة. تستخدم الدراسة تحليل وضع الديناميكية (DMD) لالتقاط الميزات الزمانية والمكانية بفعالية من بيانات التصوير بالرنين المغناطيسي الوظيفي في حالة الراحة (fMRI) لـ 68 شخصًا سليمًا و68 مريضًا بالفصام. من خلال استخراج متوسط سعة الأنماط الديناميكية واستخدام الانحدار باستخدام مشغل الانكماش والاختيار المطلق الأدنى (LASSO) لاختيار الميزات، حدد الباحثون مناطق الدماغ التي تظهر اختلافات كبيرة بين المجموعتين. ثم تم استخدام آلة الدعم الشعاعي (SVM) للتحقق من القدرة التنبؤية لهذه الميزات.
تشير النتائج إلى أن DMD لا يوفر فقط تمثيلات زمنية واضحة لنشاط الدماغ، ولكنه يعزز أيضًا قابلية تفسير الميزات من خلال إعادة بناء الإشارة والتنبؤ. تظهر النتائج أن الميزات المستخرجة ترتبط بكل من شدة التنشيط الإقليمي والترابط الوظيفي، مما يوفر رؤى جديدة حول العلامات البيولوجية المحتملة للاضطرابات النفسية. بشكل عام، تؤكد الدراسة على فعالية DMD في تحليل الأنماط الديناميكية الزمانية والمكانية في بيانات fMRI، مما يبرز وعده كخوارزمية مدفوعة بالبيانات وخالية من المعادلات لأبحاث علوم الأعصاب المستقبلية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الفصام كاضطراب نفسي كبير يتميز بوجود شذوذ ملحوظ في بنية الدماغ ووظيفته، كما أشار باكر وآخرون (2014). يؤكد المؤلفون على دور التصوير بالرنين المغناطيسي الوظيفي (fMRI) كأداة حاسمة لفحص هذه التغيرات العصبية بسبب دقتها العالية في الفضاء. تعتبر إشارة مستوى الأكسجين في الدم (BOLD) الناتجة عن fMRI ذات قيمة خاصة، حيث تعمل كمؤشر لاستهلاك الطاقة الإقليمي في الدماغ، مدعومة بنتائج من دراسات متعددة (وانغ وآخرون، 2023؛ هودا وآخرون، 2024؛ وانغ وآخرون، 2025؛ وانغ وآخرون، 2015؛ وانغ وآخرون، 2021؛ بينغ وآخرون، 2021).
طرق
في هذا القسم، يقارن المؤلفون تحليل وضع الديناميكية (DMD) مع طرق استخراج الميزات الأخرى في سياق تحليل الإشارات الطبية الحيوية، مع التركيز بشكل خاص على التصوير العصبي الوظيفي. يتم تسليط الضوء على DMD لقدرته على التقاط الديناميات الزمانية والمكانية، مما يجعله مفيدًا لتحليل نشاط الدماغ، خاصة في الاضطرابات مثل الفصام. على عكس الطرق التقليدية مثل تحليل المكونات الرئيسية (PCA) وتحليل المكونات المستقلة (ICA)، التي تعالج نقاط الزمن كملاحظات مستقلة، يدمج DMD البيانات الزمنية والمكانية، مما يسمح بفهم أكثر دقة للترابط الديناميكي للدماغ. تكشف هذه الطريقة الديناميكية عن تغييرات في الترابط الوظيفي قد تغفلها التحليلات الثابتة.
للتحقق من فعالية DMD، استخدم المؤلفون طرق استخراج ميزات متنوعة، بما في ذلك DMD-Gram وPCA-Gram وICA-Gram وميزات DMD للعقدة المكانية (snDM). قاموا بإجراء تصنيف باستخدام آلة دعم شعاعي خطية (SVM) مع ثلاث جولات من التحقق المتقاطع بعشرة طيات وأجروا 1,000 اختبار تبديل لتقييم الأهمية. أشارت النتائج إلى أن DMD-LASSO وDMD-Gram وPCA-Gram وsnDM-LASSO أظهرت أداء تصنيفي قابل للمقارنة، متفوقة بشكل كبير على ICA-Gram. وهذا يشير إلى أن DMD وميزاته المستخرجة توفر إطارًا قويًا لتحليل الديناميات المعقدة للدماغ، وهو أمر حاسم لتعزيز تشخيص وعلاج الاضطرابات النفسية.
نتائج
يؤكد قسم النتائج في الدراسة على إمكانية إعادة إنتاج النتائج من خلال تطبيق نموذج يتكون من 100 منطقة دماغية بناءً على تصنيف ‘Schaefer2018_100Parcels_7Netw’. تكشف التحليلات أن استخدام ميزات متوسط السعة المستخرجة من أوضاع مناطق الدماغ، التي تم تجميعها عبر ثلاث نطاقات ترددية متميزة، يعزز بشكل كبير من تأثيرات التصنيف.
تم تقديم رسوم بيانية عمودية توضح المقارنة عبر نطاقات التردد لخمس مؤشرات، مع تمثيل المحور الأفقي لعدد نطاقات التردد المستخدمة. من الجدير بالذكر أن قيمة 1 على هذا المحور تشير إلى غياب التقسيم الفرعي، مما يبرز أهمية اختيار نطاقات التردد في التحليل. تسهم هذه النتائج في فهم ديناميات مناطق الدماغ وآثارها على دراسات التصوير العصبي.
مناقشة
في هذه الدراسة، استخدم المؤلفون مجموعة بيانات مركز التميز في البحث الطبي الحيوي (COBRE) لاستكشاف فعالية تحليل وضع الديناميكية (DMD) في استخراج الميزات لتصنيف مناطق الدماغ غير الطبيعية لدى مرضى الفصام مقارنةً بالأشخاص الأصحاء. تتكون مجموعة البيانات من 136 شخصًا (68 مريضًا بالفصام و68 شخصًا سليمًا) بعد فحص دقيق ومعالجة بيانات fMRI في حالة الراحة. تم استخدام خوارزمية DMD لاستخراج الأنماط الديناميكية من بيانات السلاسل الزمنية عالية الأبعاد، مع التركيز على نطاق التردد من 0.01-0.1 هرتز، المعروف بأنه ذو صلة فسيولوجية لتصوير fMRI في حالة الراحة. نفذ المؤلفون نهجًا منهجيًا شمل تحليل القيمة الفردية (SVD) لتقليل الضوضاء وتقليل الأبعاد، تلاه استخراج المكونات الديناميكية التي أعيدت رسمها إلى مساحة منطقة الدماغ الأصلية.
لتقييم قدرات التصنيف للميزات المستخرجة، استخدم المؤلفون نموذج آلة دعم شعاعي (SVM) مع الانحدار باستخدام LASSO لاختيار الميزات. قاموا بإجراء تحقق شامل من خلال 1,000 انحدار LASSO مستقل لضمان قوة الميزات المختارة. أشارت النتائج إلى أن الميزات المستخرجة بواسطة DMD حسنت بشكل كبير من أداء التصنيف، حيث أظهرت 22 من أصل 28 منطقة دماغية محددة اختلافات كبيرة بين مجموعة المرضى والأشخاص الأصحاء. من الجدير بالذكر أن الدراسة أبرزت أن مناطق الدماغ غير الطبيعية المرتبطة بشبكة الانتباه البارز/البطني أظهرت سعات متوسطة أعلى لدى مرضى الفصام، بينما أظهرت المناطق المرتبطة بالشبكات البصرية والحركية سعات أقل. تؤكد النتائج على إمكانية DMD في تعزيز فهم ديناميات الدماغ في الفصام وفائدته في التمييز بين مجموعات المرضى والأشخاص الأصحاء بناءً على الميزات العصبية.
القيود
تسلط قيود الدراسة الضوء على عدة قضايا حرجة تؤثر على قابلية تطبيق وتفسير النتائج. أولاً، تظهر ميزات تحليل وضع الديناميكية (DMD) تباينًا فرديًا كبيرًا، مما يؤدي إلى خطأ جذر متوسط مربع (RMSE) مرتفع عند تطبيقها عبر مواضيع مختلفة، مما يشير إلى أن التوصيفات الفردية ليست تمثيلية للمجموعة الأوسع. بالإضافة إلى ذلك، تفتقر مجموعة بيانات COBRE إلى معلومات حول مرحلة بدء الفصام، مما قد يؤثر على فعالية المصنف واستكشاف مناطق الدماغ غير الطبيعية. يحد غياب الدرجات الكمية الموحدة لشدة الأعراض السريرية من القدرة على ربط ميزات DMD بأبعاد سريرية محددة، مما يقيد تحقق الدراسة بحساسية طريقة DMD في توصيف ديناميات الدماغ دون إقامة روابط مع الأنماط السريرية.
علاوة على ذلك، فإن قدرات نموذج DMD التنبؤية لسلاسل الزمن المستقبلية لإشارات BOLD محدودة، حيث تحافظ على توقعات مستقرة فقط على مدى خمس خطوات زمنية، مما يقيد قابلية التوسع الزمني للميزات. يعني تصميم الدراسة العرضي أن الروابط الملاحظة بين الفصام وديناميات الدماغ هي ارتباطية ولا يمكن تفسيرها كسببية. يجب أن تركز الأبحاث المستقبلية على دراسات المجموعات المستقبلية والتدخلات الطولية لتوضيح العلاقات السببية بين هذه الميزات والاضطراب. يمكن أن يؤدي دمج بيانات التصوير بالرنين المغناطيسي متعددة الوسائط مع ميزات DMD واستخدام الذكاء الاصطناعي إلى تعزيز دقة التشخيص وتسهيل فهم أعمق للآليات التي تربط مناطق الدماغ بأعراض الفصام وتقدمه، مما يساهم في تطوير خيارات علاج مستهدفة.
DOI: https://doi.org/10.3389/fncom.2025.1742563
PMID: https://pubmed.ncbi.nlm.nih.gov/41613385
Publication Date: 2026-01-14
Author(s): Yaning Wang et al.
Primary Topic: Functional Brain Connectivity Studies
Overview
This section discusses the significance of extracting features from abnormal brain regions in schizophrenia patients using advanced analytical methods. The study employs Dynamic Mode Decomposition (DMD) to effectively capture spatiotemporal features from resting-state functional magnetic resonance imaging (fMRI) data of 68 healthy subjects and 68 schizophrenia patients. By extracting the mean amplitude of dynamic patterns and utilizing Least Absolute Shrinkage and Selection Operator (LASSO) regression for feature selection, the researchers identified brain regions with significant inter-group differences. A support vector machine (SVM) was then used to validate the predictive capability of these features.
The findings indicate that DMD not only provides clear temporal representations of brain activity but also enhances the interpretability of features through signal reconstruction and prediction. The results demonstrate that the extracted features correlate with both the intensity of regional activation and functional connectivity, offering new insights into potential biomarkers for psychiatric disorders. Overall, the study underscores the efficacy of DMD in analyzing dynamic spatiotemporal patterns in fMRI data, highlighting its promise as a data-driven, equation-free algorithm for future neuroscience research.
Introduction
The introduction of the research paper highlights schizophrenia as a significant mental disorder characterized by notable abnormalities in brain structure and function, as noted by Baker et al. (2014). The authors emphasize the role of functional magnetic resonance imaging (fMRI) as a crucial tool for examining these neural alterations due to its high spatial resolution. The blood-oxygen-level-dependent (BOLD) signal generated by fMRI is particularly valuable, as it serves as an indicator of regional brain energy consumption, supported by findings from multiple studies (Wang et al., 2023; Huda et al., 2024; Wang et al., 2025; Wang et al., 2015; Wang et al., 2021; Peng et al., 2021).
Methods
In this section, the authors compare Dynamic Mode Decomposition (DMD) with other feature extraction methods in the context of biomedical signal analysis, particularly focusing on functional neuroimaging. DMD is highlighted for its ability to capture spatiotemporal dynamics, making it advantageous for analyzing brain activity, especially in disorders like schizophrenia. Unlike traditional methods such as Principal Component Analysis (PCA) and Independent Component Analysis (ICA), which treat time points as independent observations, DMD integrates temporal and spatial data, allowing for a more nuanced understanding of dynamic brain connectivity. This dynamic approach reveals functional connectivity changes that static analyses may overlook.
To validate the effectiveness of DMD, the authors employed various feature extraction methods, including DMD-Gram, PCA-Gram, ICA-Gram, and spatial node DMD features (snDM). They conducted classification using a linear Support Vector Machine (SVM) with three rounds of ten-fold cross-validation and performed 1,000 permutation tests to assess significance. The results indicated that DMD-LASSO, DMD-Gram, PCA-Gram, and snDM-LASSO exhibited comparable classification performance, significantly outperforming ICA-Gram. This suggests that DMD and its derived features provide a robust framework for analyzing complex brain dynamics, which is crucial for enhancing the diagnosis and treatment of psychiatric disorders.
Results
The results section of the study emphasizes the reproducibility of findings through the application of a template comprising 100 brain regions based on the ‘Schaefer2018_100Parcels_7Netw’ classification. The analysis reveals that the use of mean amplitude features derived from brain region modes, averaged across three distinct frequency bands, significantly enhances classification effects.
Bar graphs illustrating the comparison across frequency bands for five indicators are presented, with the horizontal axis representing the number of frequency bands utilized. Notably, a value of 1 on this axis indicates the absence of sub-banding, underscoring the importance of frequency band selection in the analysis. These findings contribute to the understanding of brain region dynamics and their implications for neuroimaging studies.
Discussion
In this study, the authors utilized the Center of Biomedical Research Excellence (COBRE) dataset to explore the efficacy of Dynamic Mode Decomposition (DMD) in extracting features for classifying abnormal brain regions in schizophrenia patients compared to healthy controls. The dataset comprised 136 subjects (68 schizophrenia patients and 68 healthy controls) after rigorous screening and preprocessing of resting-state fMRI data. The DMD algorithm was employed to extract dynamic patterns from high-dimensional time-series data, focusing on the frequency band of 0.01-0.1 Hz, which is known to be physiologically relevant for resting-state fMRI. The authors implemented a systematic approach that included singular value decomposition (SVD) for noise reduction and dimensionality reduction, followed by the extraction of dynamic components that were remapped to the original brain region space.
To evaluate the classification capabilities of the extracted features, the authors employed a Support Vector Machine (SVM) model combined with LASSO regression for feature selection. They conducted extensive validation through 1,000 independent LASSO regressions to ensure the robustness of the selected features. The results indicated that the DMD-extracted features significantly improved classification performance, with 22 out of 28 identified brain regions showing significant differences between the patient and healthy groups. Notably, the study highlighted that abnormal brain regions associated with the salience/ventral attention network exhibited higher mean amplitudes in schizophrenia patients, while regions linked to the visual and somatomotor networks showed lower amplitudes. The findings underscore the potential of DMD in enhancing the understanding of brain dynamics in schizophrenia and its utility in distinguishing between patient and control groups based on neural features.
Limitations
The limitations of the study highlight several critical issues that affect the applicability and interpretability of the findings. Firstly, the Dynamic Mode Decomposition (DMD) features exhibit significant individual variability, leading to high root mean square error (RMSE) when applied across different subjects, indicating that individual characterizations are not representative of the broader group. Additionally, the COBRE dataset lacks information on the stage of onset of schizophrenia, which may influence classifier effectiveness and the exploration of abnormal brain regions. The absence of standardized quantitative scores for clinical symptom severity further limits the ability to correlate DMD features with specific clinical dimensions, restricting the study’s validation to the sensitivity of the DMD method in characterizing brain dynamics without establishing connections to clinical phenotypes.
Moreover, the DMD model’s predictive capabilities for future time series of BOLD signals are limited, maintaining stable predictions only over five time steps, which constrains the temporal scalability of the features. The study’s cross-sectional design means that the observed associations between schizophrenia and brain dynamics are correlational and cannot be interpreted as causal. Future research should focus on prospective cohort studies and longitudinal interventions to clarify the causal relationships between these features and the disorder. Integrating multimodal MRI data with DMD features and employing artificial intelligence could enhance diagnostic accuracy and facilitate a deeper understanding of the mechanisms linking brain regions to schizophrenia symptoms and progression, ultimately informing the development of targeted treatment options.