سیگنال‌های مغزی برانگیخته‌شده در حین انجام تکلیف، مهم‌ترین عامل در طبقه‌بندی اختلال شخصیت مرزی نوجوانان با یادگیری ماشین هستند
اختلال شخصیت مرزی (BPD) مدت‌ها عمدتاً تشخیصی مختص بزرگسالان تلقی می‌شد، اما شواهد روزافزون نشان می‌دهد که ویژگی‌های بالینی معنادار این اختلال ممکن است در دوران نوجوانی نیز بروز کنند؛ دوره‌ای که با تغییرات سریع عصبی‌زیستی، هیجانی و اجتماعی همراه است. شناسایی زودهنگام اهمیت زیادی دارد، زیرا بی‌ثباتی پایدار هیجانی، خطر خودآزاری و ناپایداری در روابط بین‌فردی، در صورت تشخیص‌ندادن، می‌توانند زمینه‌ساز مشکلاتی طولانی‌مدت و چنددهه‌ای شوند. با این حال، تشخیص اختلال شخصیت مرزی در نوجوانان همواره دشوار بوده است. نشانه‌های آن هم‌پوشانی زیادی با اختلالات خلقی، اضطرابی و مرتبط با تروما دارند و از سوی دیگر، ممکن است با نوسانات معمول دوران نوجوانی اشتباه گرفته شوند. این مسئله دقت تشخیص‌های مبتنی بر دسته‌بندی علائم را محدود کرده و پژوهشگران را به سمت رویکردهای داده‌محور و مبتنی بر عصب‌زیست‌شناسی سوق داده است؛ رویکردهایی که هدفشان شناسایی نشانگرهای عینی آسیب‌پذیری در سطح فردی است.
مطالعه‌ای جدید مبتنی بر تصویربرداری تشدید مغناطیسی عملکردی هنگام انجام تکلیف (task-fMRI) که در مجله Frontiers in Human Neuroscience منتشر شده، دقیقاً چنین رویکردی را دنبال می‌کند و به نتیجه‌ای روشن دست یافته است. پژوهشگران برای طبقه‌بندی نوجوانان مبتلا به اختلال شخصیت مرزی در مقایسه با افراد سالم، چارچوبی چندوجهی برای یادگیری ماشین طراحی کردند که از نشت اطلاعات جلوگیری می‌کرد. مهم‌ترین عامل پیش‌بینی‌کننده، نه ساختار شبکه‌های مغزی در حالت استراحت بود و نه پرسش‌نامه‌های بالینی؛ بلکه واکنش‌های لحظه‌به‌لحظه مغز هنگام انجام تکلیف هیجانی «برو/نرو» (Go/No-Go) بیشترین اطلاعات را فراهم کردند. ویژگی‌های برانگیخته‌شده در تکلیف که با تحلیل مدل خطی عمومی (GLM) استخراج شده بودند، به‌تنهایی به سطح زیر منحنی مشخصه عملکرد گیرنده (AUC) برابر با ۰٫۸۸۱ ± ۰٫۰۵۵ دست یافتند. در مقابل، بهترین مدل مبتنی بر اتصال‌پذیری عملکردی مغز به AUC برابر با ۰٫۶۶۴ ± ۰٫۰۵۳ و بهترین مدل متکی صرفاً بر داده‌های بالینی به AUC برابر با ۰٫۷۷۶ ± ۰٫۰۶۷ رسید. مدل کامل چندوجهی که هر سه دسته ویژگی را ترکیب می‌کرد، AUC برابر با ۰٫۸۸۳ ± ۰٫۰۴۸ و دقت طبقه‌بندی ۰٫۸۱۶ ± ۰٫۰۶۸ داشت؛ عملکردی که فقط اندکی بهتر از مدل مبتنی بر سیگنال‌های برانگیخته‌شده در حین تکلیف بود.
این پژوهش به سرپرستی مینگ‌ژائو ما از بیمارستان دوم شیانگیا وابسته به دانشگاه مرکزی جنوبی و با همکاری پژوهشگرانی از مؤسسات چین و ایتالیا انجام شد. در این مطالعه، ۲۵۸ نوجوان ۱۲ تا ۱۷ ساله از درمانگاه‌های سرپایی مرکز سلامت روان بیمارستان شیانگیا جذب شدند؛ ۱۲۹ نفر به اختلال شخصیت مرزی مبتلا بودند و ۱۲۹ نفر در گروه کنترل سالم قرار داشتند. پس از کنار گذاشتن هفت شرکت‌کننده مبتلا به اختلال که اطلاعات بالینی‌شان ناقص بود، نمونه نهایی تحلیل شامل ۲۵۱ نوجوان شد. برای تشخیص اختلال شخصیت مرزی، افراد باید دست‌کم پنج مورد از نه معیار DSM-IV را برآورده می‌کردند، علائمشان دست‌کم دو سال پایدار می‌ماند و این علائم به‌طور کامل با اختلالات محور یک توضیح‌پذیر نبودند؛ همچنین، امتیاز آنان در مقیاس ویژگی‌های شخصیت مرزی کودکان باید بیش از ۶۶ می‌بود. افراد گروه کنترل سابقه هیچ‌گونه اختلال روان‌پزشکی نداشتند و ضریب هوشی آنان بیش از ۸۰ بود. معیارهای خروج از مطالعه برای هر دو گروه شامل اختلالات طیف اسکیزوفرنی، طیف دوقطبی، اختلال استرس پس از سانحه، اختلالات عصب‌رشدی، اختلال افسردگی اساسی، وابستگی به مواد، بیماری‌های عصبی و ضریب هوشی برابر یا کمتر از ۸۰ بود.
شرکت‌کنندگان هنگام تصویربرداری با دستگاه ۳ تسلای Siemens MAGNETOM Prisma، تکلیف هیجانی «برو/نرو» را انجام دادند که از تکلیف معرفی‌شده توسط وسا و همکاران اقتباس شده بود. در این آزمون، شرکت‌کنندگان باید هنگام مشاهده چهره‌های هدف شاد، غمگین یا خنثی، دکمه‌ای را فشار می‌دادند و هنگام نمایش چهره‌های حواس‌پرت‌کن از پاسخ‌دادن خودداری می‌کردند. هر محرک چهره به مدت ۵۰۰ میلی‌ثانیه نمایش داده می‌شد و فاصله بین دو محرک ۱۰۰۰ میلی‌ثانیه بود. آزمون شامل شش بلوک هیجانی و دو بلوک کنترل جنسیت بود. مقایسه اصلی پژوهش، شرایط «نرو در برابر چهره شاد» و «نرو در برابر چهره خنثی» بود؛ مقایسه‌ای که برای جداکردن اثر مداخله‌گر برانگیختگی هیجانی مثبت بر مهار پاسخ طراحی شده بود. پژوهشگران عمداً چهره‌های شاد را انتخاب کردند، زیرا این چهره‌ها نماینده نشانه‌های اجتماعی و پاداش در زندگی واقعی‌اند و برای نوجوانان اهمیت ویژه‌ای دارند. به این ترتیب، آنان می‌خواستند بررسی کنند که آیا نوجوانان مبتلا به اختلال شخصیت مرزی هنگام مواجهه با محرک‌های هیجانی مثبت، بیشتر مستعد ازدست‌دادن کنترل یا رفتار تکانشی هستند یا خیر.
خط لوله یادگیری ماشین این پژوهش با دقت و ملاحظات روش‌شناختی ویژه‌ای طراحی شد. پژوهشگران سه دسته ویژگی ساختند: ماتریس‌های اتصال‌پذیری عملکردی که از عناصر مثلث بالایی آن‌ها به بردار تبدیل شده بودند؛ ویژگی‌های زمانی برآمده از تحلیل GLM که پاسخ‌های وابسته به سطح اکسیژن خون (BOLD) را در نواحی مختلف مغز توصیف می‌کردند و شامل ۱۰ شاخص آماری، از جمله میانگین، انحراف معیار، صدک‌ها و تغییرات مرتبه اول بودند؛ و ۳۸ متغیر بالینی که اطلاعات جمعیت‌شناختی، علائم، عملکرد شناختی و رفتار شرکت‌کنندگان در تکلیف را در بر می‌گرفتند. متغیرهایی که می‌توانستند مستقیماً گروه تشخیصی را آشکار کنند، مانند مدت ابتلا به بیماری و سن شروع آن، حذف شدند تا الگوریتم نتواند با استفاده از میان‌بُرهای اطلاعاتی طبقه‌بندی را انجام دهد. پژوهشگران هفت ترکیب مختلف از ویژگی‌ها، از مدل‌های تک‌وجهی تا مدل چندوجهی کامل، را با هفت طبقه‌بند متداول ارزیابی کردند: رگرسیون لجستیک، ماشین بردار پشتیبان، نزدیک‌ترین همسایه‌ها، بیز ساده گاوسی، پرسپترون چندلایه، جنگل تصادفی و XGBoost یا گرادیان‌بوستینگ. تمام مدل‌ها از یک پروتکل اعتبارسنجی متقاطع پنج‌بخشی یکسان استفاده کردند.
یکی از ویژگی‌های متمایز این پژوهش، کنترل سخت‌گیرانه نشت اطلاعات بود. در طبقه‌بندی داده‌های تصویربرداری عصبی، نشت اطلاعات زمانی رخ می‌دهد که انتخاب ویژگی، نرمال‌سازی، کاهش ابعاد یا تعیین نواحی مغزی با استفاده از کل مجموعه داده و پیش از اعتبارسنجی متقاطع انجام شود؛ روشی که می‌تواند برآورد عملکرد مدل را به‌طور مصنوعی افزایش دهد. در این مطالعه، نواحی مغزی مرتبط با پاسخ‌های برانگیخته‌شده در تکلیف و استخراج‌شده از GLM، در هر بخش از اعتبارسنجی متقاطع به‌طور جداگانه و فقط با استفاده از داده‌های افراد مجموعه آموزش تعیین شدند. خوشه‌های معنادار با آستانه آلفای ۰٫۰۵ و حداقل اندازه ۱۰ وکسل انتخاب شدند. استانداردسازی ویژگی‌ها، انتخاب ویژگی مبتنی بر تحلیل واریانس (ANOVA) با نگه‌داشتن حداکثر ۲۵۶ ویژگی اتصال‌پذیری، تحلیل مؤلفه‌های اصلی (PCA) با حفظ حداکثر ۳۲ مؤلفه و آموزش طبقه‌بند، همگی صرفاً در مجموعه‌های آموزش انجام شدند. سپس مراحل آماده‌شده بدون استفاده از برچسب‌ها یا اطلاعات توزیعی افراد آزمون، روی داده‌های کنارگذاشته‌شده برای آزمون اعمال شدند. ابرپارامترها نیز از پیش تعیین شده بودند و با استفاده از بخش‌های آزمون تنظیم نشدند؛ تصمیمی که سوگیری ناشی از بهینه‌سازی را کاهش می‌داد، هرچند ممکن بود عملکرد الگوریتم‌های حساس به تنظیم ابرپارامترها را کمتر از مقدار واقعی برآورد کند.
تحلیل SHAP که در هر بخش از اعتبارسنجی متقاطع به‌طور مستقل و تنها بر اساس پیش‌بینی‌های مربوط به افراد مجموعه آزمون انجام شد، برتری ویژگی‌های برانگیخته‌شده در حین تکلیف را تأیید کرد. در مدل کامل چندوجهی مبتنی بر جنگل تصادفی، ویژگی‌های استخراج‌شده از GLM، ۸۳٫۱ درصد از کل سهم ویژگی‌ها در پیش‌بینی مدل را تشکیل می‌دادند؛ این سهم برای اتصال‌پذیری عملکردی ۹٫۵ درصد و برای متغیرهای بالینی ۷٫۵ درصد بود. در سطح عصبی، نواحی دارای بیشترین تأثیر در پیش‌بینی، در بخش‌های مختلف مغز پراکنده بودند: نواحی بینایی و ادراکی، از جمله قشر کالکارین، کونئوس و قشر پس‌سری؛ گره‌های شبکه حالت پیش‌فرض در ناحیه گیجگاهی‌ـ‌آهیانه‌ای، از جمله شکنج زاویه‌ای و شکنج فوق‌حاشیه‌ای؛ نواحی پیشانی مرتبط با کنترل، از جمله شکنج پیشانی تحتانی؛ و ساختارهای زیرقشری، از جمله پوتامن. این الگوی پراکنده از سازمان‌یافتگی سلسله‌مراتبی احتمالی حکایت دارد که پردازش ورودی‌های ادراکی، یکپارچه‌سازی اطلاعات زمینه‌ای و خودارجاعی و سامانه‌های کنترل مهاری از بالا به پایین را به هم پیوند می‌دهد.
نویسندگان این یافته‌ها را در چارچوب نظریه «عدم تعادل پیش‌بینانه هیجانی سلسله‌مراتبی» تفسیر می‌کنند؛ چارچوبی مبتنی بر پردازش پیش‌بینانه که هرتسوگ و همکاران مطرح کرده‌اند و بر اساس آن، عدم تعادل در پیشین‌های سلسله‌مراتبی مغز ممکن است در بی‌ثباتی هیجانی و تکانشگری شاخص اختلال شخصیت مرزی نقش داشته باشد. در این چارچوب، اتصال‌پذیری عملکردی سازمان پایه سامانه‌های پیش‌بینی را بازتاب می‌دهد، در حالی که پاسخ‌های برانگیخته‌شده در حین تکلیف نشان می‌دهند این سامانه‌ها هنگام تنظیم فعال پیش‌بینی‌ها چگونه به کار گرفته می‌شوند. برتری ویژگی‌های برانگیخته‌شده در حین تکلیف حاکی از آن است که اطلاعات مرتبط با اختلال شخصیت مرزی در نوجوانان، زمانی آشکارتر می‌شود که مغز باید در مواجهه با تداخل هیجانی، پیش‌بینی‌ها و رفتارها را به‌صورت پویا تنظیم کند؛ نه صرفاً هنگامی که سازمان ذاتی شبکه‌های مغزی بررسی می‌شود. اهمیت نواحی ادراکی و گیجگاهی‌ـ‌آهیانه‌ای با تغییرات احتمالی در پردازش محرک‌های هیجانی مهم و یکپارچه‌سازی اطلاعات زمینه‌ای سازگار است، در حالی که مشارکت نواحی پیشانی و زیرقشری می‌تواند بازتاب‌دهنده اختلال در مهار پاسخ و انتخاب رفتار باشد.
با این حال، نویسندگان درباره حدود استنباط از داده‌های خود محتاط‌اند. از آنجا که این مطالعه خطاهای پیش‌بینی، وزن‌دهی به دقت اطلاعات یا به‌روزرسانی سلسله‌مراتبی باورها را مستقیماً برآورد نمی‌کند، نمی‌توان آن را آزمونی سازوکارمحور برای نظریه پردازش پیش‌بینانه دانست. همین الگوی فعالیت در نواحی مغزی ممکن است با تبیین‌های متعارف دیگری، مانند توجه دیداری، پردازش برجستگی محرک و کنترل اجرایی مهاری، نیز توضیح داده شود. اهمیت نواحی مغزی به‌دست‌آمده از تحلیل SHAP باید به‌عنوان سهم آن‌ها در پیش‌بینی در نظر گرفته شود، نه شاهدی بر رابطه علّی؛ زیرا این تحلیل مشخص می‌کند کدام ویژگی‌ها در تصمیم طبقه‌بندی مدل نقش دارند، اما نشان نمی‌دهد که آن نواحی از نظر سازوکار عصبی مستقیماً مسئول بروز علائم هستند. چندین ناحیه مهم در تحلیل SHAP با شبکه‌هایی هم‌پوشانی دارند که بلوغ آن‌ها در نوجوانی همچنان ادامه می‌یابد؛ از جمله شبکه‌های پیشانی‌ـ‌مخططی، برجستگی و گیجگاهی‌ـ‌آهیانه‌ای. پژوهش‌های آینده که نشانگرهای زیستی حاصل از تصویربرداری عملکردی هنگام تکلیف را با داده‌های ترنسکریپتومی یا مولکولی ترکیب کنند، ممکن است به روشن‌شدن مسیرهای زیستی زیربنای این وضعیت‌های عصبی مرتبط با اختلال کمک کنند.
تحلیل عملکرد رفتاری نیز تصویر دقیق‌تری از یافته‌های عصبی ارائه کرد. پس از اعمال اصلاح بنجامینی‌ـ‌هوچبرگ برای آزمون‌های متعدد، گروه مبتلا به اختلال شخصیت مرزی در مقایسه با گروه کنترل، درصد خطاهای حذف پاسخ در شرایط «برو» با چهره خنثی و درصد خطاهای پاسخ‌دادن در شرایط «نرو» با چهره خنثی کمتری نشان داد. اندازه اثر بر اساس شاخص g هدجز برای این دو تفاوت به‌ترتیب ۰٫۴۶۰- و ۰٫۳۱۱- بود. در مقابل، تفاوت در شاخص‌های مربوط به شرایط چهره شاد و زمان واکنش از نظر آماری معنادار نبود. بنابراین، افراد مبتلا به اختلال شخصیت مرزی در تمام شرایط تکلیف دچار نقص رفتاری عمومی نشده بودند. در یک تحلیل حساسیت که در آن سن و جنسیت دو گروه با هم تطبیق داده شد، ۸۹ جفت با میانگین سن و نسبت زنان یکسان تشکیل شدند. در این تحلیل، AUC مدل جنگل تصادفی مبتنی بر ویژگی‌های GLM در داده‌های آزمون به ۰٫۸۶۶ و AUC مدل کامل چندوجهی به ۰٫۸۶۹ رسید. این نتیجه نگرانی درباره نقش عدم توازن جمعیت‌شناختی در طبقه‌بندی را کاهش داد، اما آن را به‌طور کامل برطرف نکرد. همچنین، در گروه بالینی اولیه، ۲۲٫۵ درصد از شرکت‌کنندگان مبتلا به اختلال شخصیت مرزی داروهای روان‌گردان یا روان‌پزشکی مصرف می‌کردند و نمی‌توان اثرات باقی‌مانده داروها بر سیگنال‌های مغزی برانگیخته‌شده در حین تکلیف را منتفی دانست.
این یافته‌ها از نظر کاربردهای بالینی بالقوه اهمیت دارند. پاسخ‌های عصبی هنگام انجام تکلیف می‌توانند نشانگری زیستی، اطلاعاتی و قابل‌تفسیر برای شناسایی فردی اختلال شخصیت مرزی باشند. عملکرد بالای ویژگی‌های استخراج‌شده از GLM نیز نشان می‌دهد که در این گروه پژوهشی، پویایی پاسخ‌های مغزی هنگام تکلیف از پیش بخش عمده اطلاعات مرتبط با اختلال را در خود داشته است. طبقه‌بندهای مختلف نیز از نظر موازنه میان شاخص‌های تشخیصی عملکرد متفاوتی داشتند. جنگل تصادفی بالاترین AUC و ویژگی را به دست آورد و رویکردی محافظه‌کارانه‌تر داشت که با مثبت کاذب کمتر همراه است؛ در مقابل، روش نزدیک‌ترین همسایه‌ها بالاترین دقت کلی، امتیاز F1 و یادآوری را ارائه کرد و توازن نسبتاً بهتری میان حساسیت و ویژگی داشت. در غربالگری، ممکن است حساسیت بالاتر در اولویت باشد تا موارد کمتری از قلم بیفتند؛ اما در تأیید تشخیص یا سامانه‌های پشتیبان تصمیم‌گیری، مدل‌های گروهی با ویژگی و ارزش اخباری مثبت بالاتر می‌توانند ترجیح داده شوند. نویسندگان تأکید می‌کنند که برای اثبات قابلیت تعمیم این روش در مراکز مختلف، اعتبارسنجی مستقل خارجی ضروری است. همچنین، رتبه‌بندی قطعی الگوریتم‌ها به بهینه‌سازی ابرپارامترها در یک چارچوب کاملاً تو‌در‌تو و در یک نمونه مستقل یا بزرگ‌تر نیاز دارد. با وجود این محدودیت‌ها، هم‌گرایی نتایج طبقه‌بندی با کنترل نشت اطلاعات، تحلیل SHAP مبتنی بر اعتبارسنجی متقاطع و الگوی عصبی سلسله‌مراتبی سازگار با نظریه، گامی مهم در جهت شناسایی وضعیت‌های مغزی مرتبط با اختلال در سطح فردی در روان‌پزشکی نوجوانان به شمار می‌رود.
حوزه پژوهش: علوم اعصاب
عنوان مقاله پژوهشی: عدم تعادل پیش‌بینانه هیجانی سلسله‌مراتبی در اختلال شخصیت مرزی نوجوانان: شواهد حاصل از تصویربرداری تشدید مغناطیسی عملکردی هنگام تکلیف و یادگیری ماشین چندوجهی
مشخصات منبع علمی: Ma, M., Wang, X., Tan, Z., Liu, J., Xiao, Q., Hu, T., Grecucci, A., & Yi, X. (2026). Hierarchical affective predictive imbalance in adolescent borderline personality disorder: task-evoked fMRI evidence from multimodal machine learning. Frontiers in Human Neuroscience, 20, Article 1875156. https://doi.org/10.3389/fnhum.2026.1875156
اعتبار تصویر: تولیدشده با هوش مصنوعی
شناسه DOI: 10.3389/fnhum.2026.1875156
کلیدواژه‌ها: اختلال شخصیت مرزی نوجوانان، تصویربرداری تشدید مغناطیسی عملکردی هنگام تکلیف، یادگیری ماشین، پردازش پیش‌بینانه، نشانگرهای زیستی تصویربرداری عصبی، تکلیف هیجانی برو/نرو، سلسله‌مراتبی، هیجانی، پیش‌بینانه، عدم تعادل، نوجوانان، شخصیت مرزی
منبع خبر: ترزا اودوم، ۱۷ اکتبر ۲۰۲۶، «سیگنال‌های مغزی برانگیخته‌شده در حین تکلیف، مهم‌ترین عامل در طبقه‌بندی اختلال شخصیت مرزی نوجوانان با یادگیری ماشین»، Scienmag.