شکستن یک کلیشه: یکسان نبودن مدل های مغزی برای همه

دانشمندان با به به‌کارگیری یادگیری ماشین، به دستاور‌های قابل توجهی در شناخت هر چه بیشتر ویژگی‌ها و کارکرد‌های مغز دست یافته‌اند. چگونگی شکل گرفتن ویژگی‌های پیچیده انسانی توسط مغز و کشف الگوی‌ فعالیت‌های مغزی مرتبط با رفتار (مانند حافظه کاری)، اختلال (مانند افسردگی) و خصایص (مانند تکانشگری) از جمله این دستاورد‌هاست. دانشمندان توانسته‌اند با استفاده از مدل های یادگیری ماشینی، مدل هایی را به صورت تئوری برای پیش بینی رفتار و سلامت افراد بکار گیرند.

 سوال این جاست که آیا به‌کارگیری مدل‌های یکسان برای افراد متفاوت رویکرد مناسبی است؟ مطالعه محققان دانشگاه ییل (Yale)  در تاریخ 24 آگوست مجله Nature، به این سوال پاسخ داده است.

در قدم اول هدف از انجام این مطالعه، شناسایی افرادی که مدل‌های توسعه یافته به کمک یادگیری ماشین در مورد آنها صدق نمی‌کند. در قدم بعدی  راهکاری برای این موضوع پیدا کنند.

ابیگیل گرین، دانشجوی دانشکده پزشکی Yaleو نویسنده اصلی این مطالعه،  بیان می‌کند که  مدل‌های مغزی برای همه‌ی افراد یکسان نیست. برای مثال، اگر می‌خواهیم یک برنامه بالینی که بر اساس مدل‌های مغزی توسعه یافته است، برای بیماری که رو‌به‌روی ما نشسته است بکار ببریم، می‌بایست مطمئن باشیم که برای بیمار قابل استفاده خواهد بود.

گرین و همکارانش به ارائه دقیق چگونگی بکارگیری مدل‌ها در روانپزشکی علاقه مند هستند  و به دو روش متفاوت برای فهمیدن این مهم تلاش می‌کنند. اول این که باید دسته‌بندی درستی از جمعیت بیماران داشته باشیم.  برای مثال، تشخیص اسکیزوفرنی با مجموعه ‌ای از علائم و نشانه‌هایی از این بیماری همراه هست که می‌تواند از فردی به فرد دیگر تفاوت زیادی داشته باشد. بنابراین با درک عمیق‌‌ و اساسی از مجموعه و زیرمجموعه‌هایی  از علائم و نشانه‌ها می‌توان این امکان را به محققین بدهیم تا بیماران را به روشی دقیق‌ دسته‌بندی کنند.

دوم، مشخصه هایی مانند تکانشگری وجود دارد که در بسیاری از انواع اختلالات و بیماری‌ها  مشترک است. در اینصورت درک اساسی از پایه‌های عصبی می‌تواند به پزشکان کمک کند تا آن علامت و مشخصه‌ها را بدون توجه به تشخیص بیماری مرتبط با ان علائم ، به طور مؤثر مورد هدف قرار دهند.

گرین در ادامه می‌گوید: " پیاده‌سازی هر دو روش منجر به پیشرفت در پاسخ‌های درمانی خواهد شد." چرا که اگر درک صحیحی از علائم و نشانه‌ها داشته باشیم، پاسخ بهتری از درمان  خواهیم گرفت. علائمی که گاهی چنان به یکدیگر شبیه هستند که ممکن است با خطا مواجه شویم. بنابراین ضروری است که به دنبال مدل‌های مغزی باشیم که برای همه قابل استفاده باشد.

گرین و همکارانش مدل‌هایی را آموزش دادند که با کمک الگوهای فعالیت مغزی، نمره‌ی فرد در انواع تست‌های شناختی را پیش‌بینی کند.  نتایج آزمایش‌ها نشان از درستی این مدل‌ها می‌دهد. اگر چه در برخی از افراد، مدل‌ها توانایی پیش‌بینی درست را نداشتند. در این مرحله تیم تحقیقاتی به بررسی دلایل پیش‌بینی نادرست می‌پرداختند.

در ادامه گرین گفته است:  به شکلی معنادار افراد به اشتباه در دسته‌های مختلف قرار می‌گیرند. اول آنکه تعدادی از افراد در آزمون‌های متفاوت همواره به اشتباه تقسیم‌بندی می‌شوند و هم‌چنین میان افرادی که در گروه اشتباه قرار گرفته‌اند با سایر افراد در گروه‌های دیگر اشتراکاتی مشاهده می‌شود.

در مرحله بعد، آنها به دنبال این بودند که توضیح دهند که آیا می‌توان اشتراکات این دسته‌بندی‌های اشتباه را با تفاوت در مغز آن افراد توضیح داد. در واقع هیچ تفاوت ثابتی وجود نداشت. درنهایت آن‌ها متوجه ارتباط میان طبقه‌بندی‌های نادرست با عوامل اجتماعی  و جمعیت‌شناختی مانند سن و تحصیلات و عوامل بالینی مانند شدت علائم شده‌اند.

در پایان، نتیجه گرفتند که این مدل‌ها به تنهایی نمی‌توانند  توانایی شناختی را منعکس کنند. گرین توضیح داد که مدل‌ها توانایی نشان دادن نمایه‌های پیچیده‌تری هستند که ترکیبی از توانایی‌های شناختی و عوامل مختلفی از جمله عوامل  اجتماعی و جمعیت‌شناختی وشدت علائم بالینی است. در واقع مدل‌های مغزی برای افرادی که در فاصله‌ی زیادی از گروه نرمال قرار می‌گیرند، سازگار نیست. به عنوان مثال، مدل‌هایی در مطالعه استفاده شده بودند که  تحصیلات بالاتر را با نمرات بالاتر در آزمون‌های شناختی ارتباط می‌دانند. در نتیجه هر فردی که  تحصیلات پایین تری داشت و اما  امتیاز خوبی کسب کرده بود،  مطابقتی با مشخصات مدل نداشت و لذا  اغلب به اشتباه پیش‌بینی می‌شدند و امتیاز پایینی کسب می کردند. هم‌چنین مدل ها  به اطلاعات جمعیت شناختی اجتماعی دسترسی نداشتند.

گرین توضیح داد: « اثر متغیرهای جمعیت شناختی اجتماعی در نمره آزمون شناختی گنجانده شده بود. در واقع سوگیری در نحوه طراحی، اجرا، امتیازدهی و تفسیر آزمون‌های شناختی می‌تواند در نتایج به دست آمده تاثیر بگذارد و البته سوگیری در زمینه‌های دیگری نیز مطرح است; تحقیقات نشان داده است که چگونه سوگیری داده‌های ورودی می‌تواند بر نتایج مدل‌های مورد استفاده اثر گذار باشد.

در نهایت  نمرات آزمون  می‌تواند ترکیبی از توانایی شناختی و عوامل  تاثیر گذار دیگر باشد و مدل ترکیبی را پیشنهاد کرد. این بدان معناست که محققان می بایست با دقت بیشتری مدلی را بیایند که بتواند  واقعاً  توسط یک آزمون اندازه‌گیری پیش بینی درستی داشته باشد.

نویسندگان مطالعه مواردی را برای چگونگی کاهش این مشکل ارائه می‌دهند. آنها پیشنهاد می‌کنند که در مرحله طراحی مطالعه، دانشمندان باید از استراتژی‌هایی استفاده کنند که سوگیری ها را به حداقل برساند و اعتبار اندازه‌گیری‌هایی را که استفاده می‌کنند به حداکثر برساند و پس از جمع‌آوری داده‌ها، محققان باید تا حد امکان از رویکردهای آماری استفاده کنند که مشخصه‌های کلیشه‌ای باقی مانده را اصلاح کند.

محققان می‌گویند که  این اقدامات سبب ایجاد مدل‌هایی می‌شود که ساختار شناختی مورد مطالعه را بهتر منعکس می‌کند. البته که حذف کامل سوگیری ممکن نیست. بنابراین باید هنگام تفسیر خروجی مدل عنوان شود و همچنین در برخی اقدامات، ممکن است که بیش از یک مدل لازم  باشد.

تاد کانستبل، استاد رادیولوژی و تصویربرداری زیست پزشکی در دانشکده پزشکی Yale و نویسنده ارشد این مطالعه، می‌گوید: « آینده به گونه‌ای رقم خواهد خورد که  شما به مدل‌های مختلف برای گروه‌های مختلف افراد نیاز دارید. بنابراین "یک مدل قرار نیست برای همه مناسب باشد."

 منبع