هوش مصنوعی تشخیص ADHD با کمک MRI را بهبود می بخشد

یادگیری عمیق، یکی از روش های هوش مصنوعی، می تواند قدرت MRI در پیش بینی اختلال بیش فعالی-کم توجهی (ADHD) را بهبود ببخشد. محققان بیان کردند این رویکرد می تواند در شرایط عصبی دیگری نیز کاربرد داشته باشد.

مغز انسان مجموعه ای پیچیده از شبکه هاست. پیشرفت های اخیر در MRI عملکردی، یک نوع تصویربرداری که فعالیت مغز را توسط ارزیابی تغییرات در جریان خون اندازه می گیرد، به نقشه برداری از ارتباطات درون و بین شبکه های مغزی کمک کرده است. از این نقشه ی مغزی جامع تحت عنوان کانکتوم یاد می شود.

به صورت فزاینده ، کانکتوم به عنوان کلیدی برای درک اختلالاتی همانند ADHD، حالتی که توجه کردن و کنترل رفتارهای مضطربانه را برای فرد دشوار می کند، به حساب می آید.

این اختلال را هنوز نمی توان به صورت قطعی در کودک با یک تست یا تصویربرداری پزشکی تشخیص داد. درعوض، تشخیص ADHD بر پایه ی یک سری از علائم و تست های مبتنی بر رفتار استوار است.

MRI مغز نقشی بالقوه در تشخیص دارد، چرا که این مطالعه بیان می دارد ADHD از برخی اختلالات در کانکتوم ناشی می شود. کانکتوم از نواحی فضایی در طول تصویر MR به نام پارسِلیشن (بخش‌ها) ساخته شده است. پارسلِیشن های مغز می توانند توسط دستورالعمل های آناتومیکی، دستورالعمل های عملکردی یا هر دو مشخص شوند. مغز بسته به پارسلِیشن های متفاوت در مقیاس های گوناگون مورد مطالعه قرار می گیرد.

مطالعات پیشین روی این رویکردِ به اصطلاح تک-مقیاسه متمرکز شده اند، جایی که کانکتوم بر اساس تنها یک پارسلِیشن بنا شده است. در مورد این مطالعه ی جدید، محققان دانشکده ی پزشکی دانشگاه سینسیناتی و مرکز پزشکی بیمارستان کودکان سینسیناتی نگاهی جامع تر به مساله انداختند. آنها روشی چند-مقیاسه، که از چندین نقشه ی کانکتوم بر اساس چندین پارسلِیشن استفاده کرده است، طراحی کردند.

برای ساخت مدل یادگیری عمیق، محققان از مرکز داده ی NeuroBureau ADHD-200 استفاده کردند. این مدل از داده ی کانکتوم مغز چند-مقیاسه ی مربوط به 973 فرد شرکت کننده ی در پروژه همراه با خصوصیت های فردی همچون جنسیت و IQ استفاده کرده است.

رویکرد چند-مقیاسه نسبت به استفاده از روش تک-مقیاسه عملکرد شناسایی ADHD را بهبود بخشید.

دکتر لیلی هی، نویسنده ی اول این مطالعه می‌گوید: "نتایج ما بر قدرت پیش بینی کانکتوم تاکید می کند. کانکتوم عملکردیِ ایجاد شده که چندین مقیاس را در برمی گیرد؛ اطلاعاتی تکمیلی جهت توصیف شبکه هایی در سراسر مغز را میسر می سازد."

با بهبود دقت تشخیصی، تشخیص با کمک MRI و یادگیری عمیق می تواند در انجام درمان سریع بیماران ADHD حیاتی باشد. تقریبا در مورد 5% کودکان آمریکایی با سن پیش دبستانی و دبستان، ADHD تشخیص داده شده است. این کودکان و نوجوانان با ریسک بالای ناکامی در تحصیلات آکادمیک و ایجاد روابط اجتماعی روبه رو هستند، که می تواند منجر به مشکلات مالی برای خانواده ها شود و بار عظیمی را روی دوش جامعه بگذارد.

بر اساس گفته ی دکتر هی، این رویکرد پتانسیلی فراتر از صرفا اختلال ADHD دارد. در آینده، محققان انتظار دارند شاهد ارتقای مدل یادگیری عمیق شوند چرا که مراکز داده ی تصویربرداری عصبی بزرگتری را در دسترس خود می بیند. آنها همچنین امیدوارند بهتر متوجه اختلالات در کانکتوم، مشخص شده توسط مدل و مرتبط با ADHD، شوند.

منبع: ساینس دیلی