یک الگوریتم جدید یادگیری ماشینی قادر به تشخیص دقیق اختلالات شناختی با تجزیه و تحلیل صداهای ضبط شده است. تشخیص بیماری آلزایمر به زمان و هزینه زیادی نیاز دارد. پس از انجام معاینات عصبی و روانشناختی حضوری طولانی، پزشکان باید هر پاسخ را با جزئیات رونویسی، بررسی و تجزیه و تحلیل کنند.
اما محققان دانشگاه بوستون ابزار جدیدی را توسعه داده اند که می تواند فرآیند را خودکار کند و در نهایت به آن اجازه دهد تا به صورت آنلاین حرکت کند. مدل محاسباتی مبتنی بر یادگیری ماشینی آنها میتواند اختلالات شناختی را از ضبطهای صوتی تستهای عصبی-روانشناختی تشخیص دهد – بدون نیاز به ملاقات حضوری.
یافته های آنها در Alzheimer’s & Dementia: The Journal of the Alzheimer’s Association منتشر شد.
Ioannis Paschalidis، یکی از نویسندگان مقاله و استاد برجسته مهندسی کالج مهندسی BU، می گوید: ((این رویکرد ما را یک قدم به مداخله اولیه نزدیکتر می کند.))
یک پژوهش
او میگوید تشخیص سریع تر آلزایمر میتواند آزمایشهای بالینی بزرگتری را انجام دهد که بر روی افراد در مراحل اولیه بیماری تمرکز میکنند و به طور بالقوه مداخلات بالینی را ممکن میسازد که زوال شناختی را کند میکند: «این میتواند اساس یک ابزار آنلاین باشد که میتواند به همه برسد و میتواند افزایش یابد. تعداد افرادی که زودهنگام غربالگری می شوند.»
تیم تحقیقاتی مدل خود را با استفاده از ضبطهای صوتی مصاحبههای عصبی روانشناختی از بیش از 1000 نفر در مطالعه قلب فرامینگهام، یک پروژه طولانیمدت تحت رهبری BU که به بررسی بیماریهای قلبی عروقی و سایر شرایط فیزیولوژیکی میپردازد، آموزش دادند.
با استفاده از ابزارهای خودکار تشخیص گفتار آنلاین – فکر کنید، «Hey, Google!» – و یک تکنیک یادگیری ماشینی به نام پردازش زبان طبیعی که به رایانهها کمک میکند متن را بفهمند، آنها از برنامه خود خواستند مصاحبهها را رونویسی کند و سپس آنها را به اعداد رمزگذاری کند.
مدل نهایی
مدل نهایی برای ارزیابی احتمال و شدت اختلال شناختی یک فرد با استفاده از دادههای جمعیتشناختی، رمزگذاریهای متنی و تشخیصهای واقعی از متخصصان اعصاب و روانشناسان آموزش داده شد.
پاشالیدیس میگوید این مدل نه تنها قادر به تشخیص دقیق افراد سالم و افراد مبتلا به زوال عقل بود، بلکه میتوانست تفاوتهایی را بین افراد دارای اختلال شناختی خفیف و زوال عقل نیز تشخیص دهد. و، معلوم شد، کیفیت ضبطها و نحوه صحبت افراد – خواه صحبتهایشان تند یا دائماً متزلزل باشد – اهمیت کمتری نسبت به محتوای آنچه میگویند دارد.
ما را شگفت زده کرد که جریان گفتار یا سایر ویژگی های صوتی آنقدرها مهم نیستند. میتوانید بهطور خودکار مصاحبهها را به خوبی رونویسی کنید، و از طریق هوش مصنوعی به تجزیه و تحلیل متن برای ارزیابی آسیبهای شناختی تکیه کنید.
اگرچه این تیم هنوز باید نتایج خود را در برابر سایر منابع داده تایید کند، یافته ها نشان میدهد که ابزار آنها میتواند از پزشکان در تشخیص اختلالات شناختی با استفاده از ضبطهای صوتی، از جمله مواردی که از قرار ملاقاتهای مجازی یا از راه دور استفاده میشود، پشتیبانی کند.
غربالگری قبل از شروع علائم
این مدل همچنین بینشی را در مورد اینکه چه بخشهایی از معاینه عصبروانشناختی ممکن است در تعیین اینکه آیا یک فرد دچار اختلال در شناخت است، مهمتر از سایرین باشد، ارائه میکند. مدل محققان، رونوشت های امتحان را بر اساس آزمایش های بالینی انجام شده به بخش های مختلف تقسیم می کند.
به عنوان مثال، آنها دریافتند که آزمایش نامگذاری بوستون – که طی آن پزشکان از افراد می خواهند با استفاده از یک کلمه یک عکس را برچسب گذاری کنند – برای تشخیص دقیق زوال عقل بسیار آموزنده است.
این ممکن است پزشکان را قادر سازد تا منابع را به گونه ای اختصاص دهند که به آنها امکان غربالگری بیشتری را حتی قبل از شروع علائم بدهد.
تشخیص زودهنگام زوال عقل نه تنها برای بیماران و مراقبان آنها مهم است تا بتوانند برنامه ای موثر برای درمان و حمایت ایجاد کنند، بلکه برای محققانی که روی درمان هایی برای کند کردن و جلوگیری از پیشرفت بیماری آلزایمر کار می کنند نیز بسیار مهم است.
پاشالیدیس میگوید: مدلهای ما میتوانند به پزشکان کمک کنند تا بیماران را از نظر شانس زوال شناختی ارزیابی کنند، و سپس با انجام آزمایشهای بیشتر بر روی افرادی که احتمال زوال عقل بالاتری دارند، بهترین منابع را برای آنها تنظیم کنند.
https://neurosciencenews.com/machine-learning-alzheimers-21017/
سید مهدی ساداتی هستم. عاشق مغز! داروساز و دانشجوی دکترای تخصصی علوم اعصاب. عضو تیم مرکز سلامت مغز دانا! از علاقه هام شناسوندن کارایی های هیجان انگیز مغز به زبان ساده به آدمهاست! جست و جو می کنم در افسردگی، داروهای موثر بر مغز و سایر بیماری های حوزه ی روان و البته نوروپلاستیسیتی!