هوش مصنوعی در سال های اخیر با پیشرفت های چشمگیر خود به ابزاری قدرتمند در حوزه های مختلف علمی و صنعتی تبدیل شده است. یکی از مهم ترین کاربردهای آن در پزشکی، کمک به تشخیص زودهنگام و دقیق بیماری های پیچیده ی مغزی است. ترکیب الگوریتم های یادگیری ماشین با داده های زیستی می تواند الگوهای پنهان را آشکار ساخته و راهکارهای نوینی برای تحلیل و درمان بیماری ها ارائه دهد. بیماری پارکینسون به عنوان یکی از شایع ترین اختلالات نورودژنراتیو، تأثیر عمیقی بر توانایی های حرکتی و شناختی بیماران دارد. تشخیص زودهنگام این بیماری اهمیت بسزایی در مدیریت بهتر درمان و ارتقای کیفیت زندگی بیماران دارد. در این زمینه، تصویربرداری تشدید مغناطیسی عملکردی (fMRI) ابزاری غیرتهاجمی و کارآمد برای بررسی الگوهای فعالیت مغزی محسوب می شود. از سوی دیگر، شبکه های عصبی مبتنی بر گراف (GNN) به عنوان رویکردی نوین در یادگیری عمیق، قابلیت مدل سازی روابط پیچیده بین نواحی مغزی را دارند. به طور ویژه، شبکه های عصبی هم ریخت گراف (GIN) با در نظر گرفتن ساختار توپولوژیکی مغز، امکان استخراج ویژگی های معنادار و بهبود فرآیند دسته بندی بیماران را فراهم می سازند. در این پژوهش، با استفاده از داده های دیتاست PPMI، ابتدا سیگنال های استخراج شده از نواحی مغزی بر اساس تصاویر fMRI پردازش شده و سپس گراف های مغزی ساخته شدند. این گراف ها با بهره گیری از معماری GIN مورد تحلیل قرار گرفتند. نتایج به دست آمده نشان داد که روش پیشنهادی توانسته است با دقت ٪97 بیماران مبتلا به پارکینسون را از افراد سالم تفکیک نماید. این یافته ها بیانگر پتانسیل بالای ترکیب fMRI و شبکه های عصبی گرافی در تشخیص زودهنگام و دقیق بیماری پارکینسون است
