ارائه‌کننده: تانیا السادات موسوی کریمیاستاد راهنما: دکتر منصوره پاکرواناستاد ناظر داخلی اول: دکتر زهرا بهمنیاستاد ناظر خارجی اول: دکتر محمدباقر شمس‌اللهی (دانشگاه صنعتی شریف)تاریخ: ۱۴۰۴/۰۲/۱۵ساعت: ۸:۳۰ تا ۹:۳۰مکان: اتاق جلسات

چکیده:با وجود پیشرفت‌های قابل توجه در روش‌های یادگیری ماشین مبتنی بر همبستگی و یادگیری عمیق، محدودیت در تشخیص و تفسیر روابط علّی همچنان یکی از چالش‌های اساسی در تحلیل داده‌های تصویربرداری مغزی باقی مانده است. درک عمیق‌تر از مکانیسم‌های مغزی و توسعه‌ی مدل‌های تعمیم‌پذیرتر، نیازمند کشف ساختارهای علّی میان نواحی مغزی است. هدف این پژوهش، طبقه‌بندی افراد مبتلا به اختلال مصرف کوکائین و افراد گروه کنترل با بهره‌گیری از گراف‌های علّی استخراج‌شده از داده‌های fMRI حالت استراحت مربوط به ۱۴۵ شرکت‌کننده از دیتاست SUDMEX-CONN است. پس از پیش‌پردازش داده‌ها با AFNI و استخراج سیگنال‌های زمانی نواحی مغزی با پنج ماسک مغزی مختلف، گراف‌های علّی با الگوریتم‌های PCMCI و LPCMCI استخراج شد. الگوریتم PCMCI که برای کشف ساختارهای علّی در داده‌های زمانی، به‌ویژه داده‌های پیچیده‌ای چون سری‌های زمانی fMRI طراحی شده است، با بهره‌گیری از آزمون‌های استقلال شرطی، روابط علّی میان متغیرها را با کنترل دقیق خطای نوع اول شناسایی می‌کند. LPCMCI نسخه‌ی بهبودیافته‌ی این الگوریتم است که با افزایش اندازه‌ی اثر آزمون‌های استقلال، امکان شناسایی روابط علّی ضعیف‌تر و پنهان‌تر را فراهم کرده و با بهبود حساسیت، دقت بیشتری در فرآیند تشخیص و حذف یال‌های غیرواقعی ارائه می‌دهد. مدل‌های یادگیری گرافی شامل GAT، GCN، GIN و GraphSAGE برای طبقه‌بندی آموزش داده شدند. بهترین نتایج، با استفاده از مدلGAT ، در گراف‌های  PCMCIبا AUC برابر با ۰٫۹۲ در ماسک Yeo17liberal و صحت ۰٫۹۰ و F1-score برابر با ۰٫۹۳ در ماسک HarvardOxfordSub و در گراف‌هایLPCMCI  با AUC برابر با ۰٫۹۰، صحت ۰٫۸۷ و F1-score برابر با ۰٫۹۰ در ماسک HarvardOxfordSub  به دست آمد. مقایسه با روش‌های مبتنی بر همبستگی نیز نشان داد که این رویکرد در معیارهای اصلی، تا 9 درصد عملکرد بهتری ارائه می‌دهد. این نتایج، بیانگر کارایی بالای ترکیب کشف روابط علّی و مدل‌های یادگیری گرافی در تحلیل الگوهای مغزی و طبقه‌بندی اختلالات نوروبیولوژیکی نظیر اختلال مصرف کوکائین است.