تشخیص اختلال طیف اوتیسم به کمک هوش مصنوعی

به گزارش خبرگزاری صدا و سیما؛ به نقل از وبگاه نیچر، تشخیص اختلال طیف اوتیسم (ASD) بسیار چالش برانگیز و پیچیده است و به تخصص زیادی نیاز دارد. اوتیسم، یک اختلال رشد عصبی است که می‌تواند طیف گسترده‌ای از علائم و مهارت‌ها را درگیر کند. بر اساس آمار منتشر شده در سال ۲۰۲۳، ASD، از هر ۳۶ کودک، تقریبا ۱ کودک را تحت تاثیر قرار می‌دهد؛ تاکنون هیچ نشانگر بیوشیمیایی برای شناسایی دقیق این اختلال کشف نشده است. 
محققان دانشگاه سائوپائولو در تحقیقات اخیر خود، یک مدل هوش مصنوعی را توسعه داده اند که قادر است اختلال اوتیسم را با دقت بالایی تشخیص دهد. پژوهشگران برای این مطالعه، تکنیک‌های یادگیری ماشینی را بر روی داده‌های تصویربرداری مغزی ۵۰۰ نفر که حدود نیمی از آن‌ها مبتلا به ASD تشخیص داده شده بودند، اعمال کردند.
دانشمندان توضیح دادند: ما نقشه‌های مغزی افراد مبتلا به ASD را با افراد سالم مقایسه کرده و یک برنامه یادگیری ماشینی را با این نقشه‌ها آموزش دادیم. بر اساس نتایج به دست آمده، این مدل توانست تغییرات مغزی مرتبط با ASD را با دقت بالای ۹۵ درصد تشخیص دهد. نقشه برداری مغز می‌تواند برای تشخیص سایر شرایط غیر از ASD نیز مفید باشد.
محققان در ادامه افزودند: داده‌های fMRI بیماران مبتلا به اوتیسم، با تغییراتی در مناطق خاصی از مغز که در فرآیند‌های شناختی، عاطفی، یادگیری و حافظه نقش دارند، مرتبط بودند.
این مقاله اشاره می‌کند که بسیاری از تحقیقات اخیر روش‌هایی را برای تشخیص ASD بر اساس یادگیری ماشینی پیشنهاد می‌کنند، اما از یک شاخص آماری واحد استفاده می‌کنند و سازمان‌دهی شبکه مغز را نادیده می‌گیرند، که نوآوری این مطالعه است. نقشه های مغز یا شبکه های قشری نشان می دهد که چگونه نواحی مغز به هم متصل می شوند.
تا چند سال پیش، اطلاعات محدودی در رابطه با تغییراتی که منجر به ایجاد علائم ASD می‌شوند، وجود داشت. با این حال، اکنون، مشخص شده است که تغییرات مغزی در بیماران ASD با رفتار‌های خاصی مرتبط است؛ با این حال، تحقیقات نشان داده اند که این تغییرات به سختی قابل مشاهده هستند و این موضوع تشخیص این اختلال را با چالش‌هایی مواجه کرده است.
محققان معتقدند: درک بهتر تاثیر تغییرات مغزی بر رفتار، منجر به توسعه رویکرد‌های درمانی کارآمدتر و مؤثرتری می‌شود. 
یافته‌های تحقیقاتی این مطالعه در مجله Scientific Reports منتشر شده اند.