Graph theory-based machine learning for automated fibromyalgia diagnosis using fMRI during an emotional task.

چکیده اصلی

BACKGROUND: Fibromyalgia (FM) is a multifaceted chronic pain disorder presenting with pain throughout the musculoskeletal system, alongside chronic fatigue,sleep disturbances, and cognitive impairments. Current diagnostic criteria primarily rely on symptom questionnaires, with no specific laboratory markers or definitive tests, making diagnosis subjective and often delayed. Moreover, the overlap with other central pain syndromes further complicates accurate diagnosis. Neuroimaging studies, particularly functional magnetic resonance imaging (fMRI), have shown promise in elucidating brain abnormalities underlying FM. However, translating these findings into reliable diagnostic tools remains challenging, especially given small sample sizes. Therefore, this study aims to enhance the diagnostic accuracy of FM based on fMRI data by developing an intelligent model. This model employs machine learning algorithms designed to perform effectively with limited dataset sizes and incorporates features extracted through graph theory methods. We analyzed fMRI data from 32 FM patients and 30 healthy controls. Graph theory metrics were extracted from 13 regions of the emotion regulation network. A genetic algorithm was employed to select the most effective features, which were then used to train multiple machine learning classifiers-including Support Vector Machine (SVM) with polynomial and Radial Basis Function (RBF) kernels, Random Forest, Gradient Boosting Machine, Adaptive Boosting, and SVM with Mixture Kernels-within a cross-validation framework to ensure robustness. RESULT: The genetic algorithm selected 84 features as inputs for machine learning algorithms. The polynomial SVM achieved the highest overall accuracy, whereas the SVM with mixture kernels demonstrated superior sensitivity and AUC. Sensitivity and AUC were prioritized as the main criteria for model selection due to their clinical relevance in reducing false negatives. CONCLUSION: The study identified the SVM with Mixture Kernels as the most effective model for distinguishing FM patients from healthy controls. This approach demonstrates promising potential for enhancing diagnostic accuracy and supporting psychological and psychiatric interventions.

ترجمه فارسی چکیده

فیبرومیالژی (FM) یک اختلال درد مزمن چندوجهی است که با درد در سراسر سیستم اسکلتی-عضلانی، خستگی مزمن، اختلالات خواب و اختلالات شناختی همراه است. معیارهای تشخیصی فعلی عمدتاً بر پرسشنامه‌های علائم تکیه دارند و هیچ نشانگر آزمایشگاهی یا تست قطعی مشخصی ندارند، که تشخیص را ذهنی و اغلب به تأخیر می‌اندازد. مطالعات تصویربرداری عصبی، به ویژه تصویربرداری مغزی تابعی (fMRI)، نشان داده‌اند که در elucidating abnormalities مغزی پنهان در FM امیدوارکننده هستند. این مطالعه با هدف ارتقای دقت تشخیصی FM بر اساس داده‌های fMRI با توسعه یک مدل هوشمند انجام شد. این مدل از الگوریتم‌های یادگیری ماشین برای عملکرد مؤثر با حجم‌های داده محدود استفاده می‌کند و ویژگی‌های استخراج شده از طریق روش‌های نظریه گراف را در بر می‌گیرد. ما داده‌های fMRI از ۳۲ بیمار FM و ۳۰ کنترل سالم را تحلیل کردیم. شاخص‌های نظریه گراف از ۱۳ منطقه شبکه تنظیم هیجان استخراج شدند. یک الگوریتم ژنتیک برای انتخاب مؤثرترین ویژگی‌ها به کار گرفته شد که سپس برای آموزش چندین طبقه‌بنده یادگیری ماشین شامل ماشین بردار پشتیبان (SVM) با هسته‌های چندجمله‌ای و تابع پایه شعاعی (RBF)، جنگل تصادفی، ماشین افزایش گرادیان، افزایش تطبیقی و SVM با هسته‌های مخلوط در چارچوب اعتبارسنجی متقاطع استفاده شدند. الگوریتم ژنتیک ۸۴ ویژگی را به عنوان ورودی برای الگوریتم‌های یادگیری ماشین انتخاب کرد. SVM با هسته‌های چندجمله‌ای بالاترین دقت کلی را به دست آورد، در حالی که SVM با هسته‌های مخلوط حساسیت و AUC برتر را نشان داد. حساسیت و AUC به عنوان معیارهای اصلی برای انتخاب مدل به دلیل اهمیت بالینی آن‌ها در کاهش مثبت‌های کاذب اولویت‌بندی شدند. مطالعه SVM با هسته‌های مخلوط را به عنوان مؤثرترین مدل برای تفکیک بیماران FM از کنترل‌های سالم شناسایی کرد. این رویکرد پتانسیل امیدوارکننده‌ای برای ارتقای دقت تشخیصی و حمایت از مداخلات روان‌شناختی و روانپزشکی نشان می‌دهد.

متن کامل اصلی