Alzheimer Tespitinde Düşük ve Yüksek Mertebeli Fonksiyonel Bağlantısallık Füzyonu

Abstract

Bu çalışmada, dinlenim durumu fonksiyonel manyetik rezonans görüntüleme (rs-fMRI) verileri kullanılarak Alzheimer hastalığının (AH) sınıflandırılmasında düşük mertebeli fonksiyonel bağlantısallık (LOFC), yüksek mertebeli fonksiyonel bağlantısallık (HOFC) ve bu iki yaklaşımın birleşimini içeren füzyon modunun (LOFC+HOFC) performansı karşılaştırılmıştır. Bağlantısallık matrislerine Fisher-z dönüşümü uygulanmış, farklı yoğunluk eşiği oranları kullanılarak ağ temsilleri oluşturulmuş ve bu ağlardan düğüm gücü öznitelikleri çıkarılmıştır. Elde edilen öznitelikler, Top-K (K=10) özellik seçimi ve Destek Vektör Makinesi (SVM) altında değerlendirilmiş; model performansı Leave-One-Out Cross Validation (LOOCV) yöntemi ile analiz edilmiştir. Sonuçlar, füzyon modelinin tüm eşik seviyelerinde tekli modalite yaklaşımlarına kıyasla tutarlı biçimde daha yüksek performans metrikleri ürettiğini ortaya koymuş; en yüksek sınıflandırma performansı %20 eşik değerinde gözlemlenmiş olup, orta düzey eşiklerin güçlü bağlantıları korurken gürültüyü bastırma açısından elverişli bir denge sunabileceğine işaret etmektedir. Bu bulgular, AH’nin yalnızca lokal beyin bölgelerini değil, aynı zamanda beyin ağlarının bütünsel organizasyonunu etkileyen bir bozukluk olduğunu desteklemektedir.

In this study, resting-state functional magnetic resonance imaging (rs-fMRI) data were utilized to compare the performance of low-order functional connectivity (LOFC), high-order functional connectivity (HOFC), and their fusion (LOFC+HOFC) in the classification of Alzheimer’s disease (AD). Fisher-z transformation was applied to the connectivity matrices, and network representations were constructed using different density threshold ratios. Node strength features were subsequently extracted from these networks. The obtained features were evaluated using TOP-K 10 feature selection and a Support Vector Machine (SVM), with model performance assessed under a Leave-One-Out Cross Validation (LOOCV) framework. The results demonstrated that the fusion model consistently outperformed single-modality approaches across all threshold levels. The highest classification performance was observed at a 20 percent threshold, suggesting that moderate threshold levels may provide an effective balance between preserving strong connections and suppressing noise. These findings support the notion that AD affects not only localized brain regions but also the global organization of brain networks.