مجتبی کرمی

هوش‌مصنوعی با پیشرفت‌های چشمگیر خود به ابزاری قدرتمند در حوزه‌های مختلف، از جمله پزشکی، امنیت و مبارزه با مواد مخدر، تبدیل شده‌است. یکی از کاربردهای مهم و نوآورانه هوش‌مصنوعی، تشخیص مواد مخدر، به‌ویژه کوکائین، از طریق تحلیل داده‌های مغزی است. fMRI یا تصویربرداری تشدید مغناطیسی کاربردی، فناوری پیشرفته‌ای است که به‌صورت غیرتهاجمی فعالیت مغز را با اندازه‌گیری تغییرات جریان خون بررسی می‌کند. این تصاویر قادرند تغییرات ساختاری و عملکرد مغز را در افراد مختلف آشکار سازند و به‌ویژه در تشخیص تغییرات مرتبط با مصرف مواد مخدر مفید واقع شوند. شبکه‌های عصبی مبتنی بر گراف (GNN) نیز به‌عنوان ابزاری قدرتمند برای تحلیل داده‌های ساختاریافته به‌صورت گراف، در مدل‌سازی روابط پیچیده بین مولکول‌های مواد مخدر، مسیرهای متابولیکی و اثرات آنها بر مغز، به کار گرفته می‌شوند. ترکیب این دو تکنیک، یعنی تصاویر fMRI و GNNs، امکان دستیابی به نتایج دقیق‌تر و جامع‌تر در تشخیص و درمان اعتیاد را فراهم می‌آورد. با این وجود، چالش‌هایی همچون کمبود داده‌های با کیفیت و نیاز به توسعه الگوریتم‌های پیچیده‌تر همچنان باقی است. با این حال، استفاده از این دو ابزار نوین توانسته است نتایج بسیار امیدوارکننده‌ای در زمینه تشخیص مواد مخدر ارائه دهد. در این پژوهش، با بهره‌گیری از شبکه‌های عصبی کانولوشنی مبتنی بر گراف (GCN) به‌منظور تحلیل ویژگی‌های استخراج‌شده از تصاویر fMRI بر روی دیتاست SUDMEX_CONN دقتی معادل 95.1% برای دسته‌بندی افراد سالم (HC) و مبتلا به کوکائین (CUD) به‌دست آمده است. واژگان کلیدی: تحلیل داده‌های مغزی، fMRI، شبکه‌های عصبی مبتنی بر گراف، شبکه‌های عصبی کانولوشنی مبتنی بر گراف، دسته‌بندی