به گزارش خبرنگار خبرگزاری صدا و سیما، دانشگاه تربیت مدرس روز دوشنبه به نقل از بتول ذیاب در مورد این دستاورد اعلام کرد: این پژوهش در قالب پایان نامه کارشناسی ارشد وی در رشته مهندسی کامپیوتر- هوش مصنوعی و رباتیکز انجام شده است.
وی درباره اهمیت پیش بینی دقیق سن مغز به منظور ارزیابی سلامت شناختی فرد و شناسایی آسیب‌ها و بیماری‌های مغزی یادآور شد: پیش بینی دقیق سن مغز برای بسیاری از حوزه‌های زیست پزشکی برای تخمین سن شناختی افراد بر اساس اسکن‌های مغزی یا سایر داده‌های تصویر برداری مغز، ضروری است. این می‌تواند در تحقیقات برای مطالعه اثرات پیری بر مغز و همچنین در محیط‌های بالینی برای ارزیابی سلامت شناختی فرد و شناسایی مسائل بالقوه مانند آسیب مغزی یا بیماری استفاده شود.
این پژوهشگر دانشگاه تربیت مدرس افزود: پیش بینی سن مغز مبتنی بر شبکه کانولوشنی گراف (GCN) در این مطالعه به عنوان یک رویکرد جدید ارائه شده است که وضعیت رشد یا پیری مغز را در زمان تصویر برداری ارزیابی می‌کند.
ذیاب همچنین گفت: مدل شبکه کانولوشنی گراف روی گراف‌های ساخته شده مختلف حاوی داده‌های تصویربرداری تشدید مغناطیسی کاربردی (fMRI) آموزش داده شده است با استفاده از تکنیک‌های یادگیری آنلاین و یادگیری کامل دسته‌ای تا سن تقویمی مغز را بر اساس الگو‌های اتصال مغز پیش بینی کند. مدل‌های مختلف با استفاده از ساختار‌های مختلف گراف از ۲۴۳ نمونه (گراف‌های جمعیت و گراف‌های فردی) با یکدیگر و با روش‌های رگرسیون خطی سنتی مقایسه می‌شوند. بهترین امتیاز MAE به دست آمده با استفاده ازیادگیری آنلاین مدل GCN که بر روی گراف‌های مغز‌های فردی اعمال شد، ۲.۷۴ بود.
مجری این پژوهش تصریح کرد: نتایج نشان می‌دهد که مدل‌های GCN از روش‌های سنتی از نظر دقت پیش بینی بهتر عمل می‌کنند و ابزار امیدوار کننده‌ای برای ارزیابی سلامت مغز و شناسایی نشانگر‌های اولیه زوال شناختی ارائه می‌کنند.
این پژوهش در قالب پایان نامه کارشناسی ارشد بتول ذیاب با راهنمایی محمد صنیعی آباده در دانشکده مهندسی برق و کامپیوتر انجام شد.
