Mild Cognitive Impairment (MCI) is an intermediate stage between the physiological cognitive deterioration due to ageing and a nonphysiological stage of dementia. MCI has morbidity between 12% and 18% of the population aged over 65 [1]. Even though MCI is not considered dementia and the symptomology of the patients is not severe, the patients with this disease are at higher risk of subsequently developing dementia and other neurodegenerative illnesses like Alzheimer’s (AD). Functional connectivity analysis has proven helpful in enhancing our knowledge of cognitive disorders such as MCI. The functional connectivity analysis is often combined with Graph Theory to extract metrics about the brain state and improve the classification of MCI patients using Machine Learning. In this report, I studied the classification accuracy improvement of using the Graph Theory metrics alongside the single functional connections for a specific dataset. Additionally, I explored the features that reported higher differences between MCI and healthy patients. I found that using only Graph Theory metrics for this dataset does not provide enough accuracy but that using them alongside the individual functional connections enhances the accuracy value. In addition, regarding the Graph Theory metrics, the node features proved to be more relevant for the classification than the whole matrix features. Additionally, I observed a significantly altered behaviour in some brain regions.

Lindrig kognitiv störning (eng mild cognitive impairment, MCI) är ett mellanstadium mellan den fysiologiska kognitiva försämringen på grund av åldrande och ett icke-fysiologiskt stadium av demens. MCI drabbar mellan 12 och 18 % av befolkningen över 65 år [1]. Även om MCI inte betraktas som demenssjukdom, och patienternas symtom inte är allvarliga, löper patienter med denna sjukdom större risk att senare utveckla demens och andra neurodegenerativa sjukdomar som Alzheimers sjukdom (AD). Analys av funktionell konnektivitet har visat sig vara till hjälp för att öka vår kunskap om kognitiva störningar som MCI. Den funktionella konnektivitetsanalysen kombineras ofta med grafteori för att få fram mått på hjärnans tillstånd och förbättra klassificeringen av MCI-patienter med hjälp av maskininlärning. I den här rapporten har jag studerat den förbättrade klassificeringsnoggrannheten genom att använda grafteori tillsammans med de enskilda funktionella förbindelserna för ett specifikt dataset. Dessutom undersökte jag vilka egenskaper som gav upphov till större skillnader mellan MCI- och normala patienter. Jag fann att det inte ger tillräcklig noggrannhet att använda enbart Graph Theory-metriker för detta dataset, men att användningen av dem tillsammans med de enskilda funktionella förbindelserna förbättrar noggrannhetsvärdet. När det gäller grafteorimetrikerna visade sig dessutom nodfunktionerna vara mer relevanta för klassificeringen än funktionerna för hela matrisen. Dessutom observerade jag ett betydligt förändrat beteende i vissa hjärnregioner.