مهندس بتول ذیاب که این پژوهش در قالب پایان نامه کارشناسی ارشد وی در رشته مهندسی کامپیوتر- هوش مصنوعی و رباتیکز انجام شد، در خصوص اهمیت یش بینی دقیق سن مغز به منظور ارزیابی سلامت شناختی فرد و شناسایی آسیب ها و بیماری های مغزی، گفت: یش بینی دقیق سن مغز برای بسیاری از حوزه های زیست پزشکی برای تخمین سن شناختی افراد بر اساس اسکن های مغزی یا سایر داده های تصویر برداری مغز، ضروری است. این می تواند در تحقیقات برای مطالعه اثرات پیری بر مغز و همچنین در محیط های بالینی برای ارزیابی سلامت شناختی فرد و شناسایی مسائل بالقوه مانند آسیب مغزی یا بیماری استفاده شود.
وی افزود: پیش بینی سن مغز مبتنی برشبکه کانولوشنی گراف (GCN) در این مطالعه به عنوان یک رویکرد جدید ارائه شده است که وضعیت رشد یا پیری مغز را در زمان تصویر برداری ارزیابی می کند. مدل GCN بر روی گراف های ساخته شده مختلف حاوی داده های تصویربرداری تشدید مغناطیسی کاربردی ( fMRI ) آموزش داده شده است با استفاده از تکنیک های یادگیری آنلاین و یادگیری کامل دسته ای، تا سن تقویمی مغز را بر اساس الگوهای اتصال مغز پیش بینی کند. مدل های مختلف با استفاده از ساختارهای مختلف گراف از243 نمونه (گراف های جمعیت و گراف های فردی) با یکدیگر و با روش های رگرسیون خطی سنتی مقایسه می شوند. بهترین امتیاز MAE به دست آمده با استفاده ازیادگیری آنلاین مدلGCN که بر روی گراف های مغز های فرد ی اعمال شد،  2.74 بود.
مجری این پژوهش تصریح کرد: نتایج نشان می دهد که مدل های GCN از روش های سنتی از نظر دقت پیش بینی بهتر عمل می کنند و ابزار امیدوار کننده ای برای ارزیابی سلامت مغز و شناسایی نشانگرهای اولیه زوال شناختی ارائه می کنند.
گفتنی است این پژوهش در قالب پایان نامه کارشناسی ارشد بتول ذیاب با راهنمایی دکتر محمد صنیعی آباده در دانشکده مهندسی برق و کامپیوتر انجام شد.