استفاده از هوش مصنوعی برای تشخیص اختلالات شناختی خفیف که به آلزایمر پیشرفت می کند

بیماری آلزایمر عامل اصلی زوال عقل در سراسر جهان است. اگرچه هیچ درمانی وجود ندارد، تشخیص زودهنگام برای ایجاد درمان‌های مؤثری که قبل از برگشت‌ناپذیر بودن پیشرفت آن عمل می‌کنند، حیاتی تلقی می‌شود.

اختلال شناختی خفیف مرحله ای است که قبل از بیماری است، اما همه کسانی که از آن رنج می برند به آلزایمر مبتلا نمی شوند. مطالعه ای که توسط دانشمندان دانشگاه اوبرتا د کاتالونیا (UOC) رهبری شد و در مجله IEEE بیومدیکال و انفورماتیک سلامت، موفق شده است دقیقاً بین افرادی که وخامت آنها پایدار است و افرادی که به سمت ابتلا به این بیماری پیشرفت می کنند تمایز قائل شود. این تکنیک جدید که از روش‌های هوش مصنوعی خاصی برای مقایسه تصاویر تشدید مغناطیسی استفاده می‌کند، مؤثرتر از روش‌های دیگری است که در حال حاضر استفاده می‌شود.

تنظیم دقیق تشخیص

بیماری آلزایمر بیش از 50 میلیون نفر را در سراسر جهان تحت تاثیر قرار می دهد و پیری جمعیت به این معنی است که ممکن است در دهه های آینده تعداد افراد مبتلا به این بیماری بسیار بیشتر شود. اگرچه معمولاً بدون هیچ علامتی در طی سالیان متمادی ایجاد می‌شود، اما معمولاً قبل از آن چیزی به عنوان اختلال شناختی خفیف شناخته می‌شود، که بسیار خفیف‌تر از اختلالی است که افراد مبتلا به آلزایمر ارائه می‌کنند، اما شدیدتر از آن چیزی است که برای افراد هم سن و سال آنها انتظار می‌رود. مونا اشتری مجلان گفت: “این بیماران ممکن است با گذشت زمان پیشرفت کنند و بدتر شوند یا در همان وضعیت باقی بمانند. به همین دلیل است که برای جلوگیری از پیشرفت سریع بیماری باید بین اختلالات شناختی پیشرونده و پایدار تمایز قائل شد.” محقق UOC در گروه هوش مصنوعی برای رفاه انسان (AIWELL) که وابسته به مرکز سلامت الکترونیک و دانشکده علوم کامپیوتر، چند رسانه ای و مخابرات است. او دانشجوی دوره دکتری شبکه و فناوری اطلاعات، تحت نظارت دیوید ماسیپ و نویسنده اصلی مقاله است.

شناسایی صحیح این موارد می‌تواند به بهبود کیفیت کارآزمایی‌های بالینی مورد استفاده برای آزمایش درمان‌ها، که به طور فزاینده‌ای به دنبال هدف قرار دادن مراحل اولیه بیماری هستند، کمک کند. برای انجام این کار، محققان از روشی استفاده کردند که شامل یک شبکه عصبی کانولوشن چند جریانی است، که تکنیکی مبتنی بر هوش مصنوعی و یادگیری عمیق است که برای تشخیص و طبقه‌بندی تصویر بسیار مفید است.

اشتری مجلان توضیح داد: ما ابتدا MRI بیماران مبتلا به آلزایمر و افراد سالم را برای یافتن نشانه‌های مشخص مقایسه کردیم. پس از آموزش سیستم، آنها معماری پیشنهادی را با تصاویر رزونانسی از افرادی که قبلاً با اختلالات شناختی پایدار یا پیشرونده با تفاوت‌های بسیار کوچک‌تر تشخیص داده شده بودند، تنظیم کردند. در مجموع، تقریباً 700 تصویر از مجموعه داده‌های در دسترس عموم استفاده شد.

به گفته اشتری-مجلان، این فرآیند “بر پیچیدگی یادگیری ناشی از تغییرات ساختاری ظریفی که بین دو شکل اختلال شناختی خفیف رخ می دهد، غلبه می کند، که بسیار کوچکتر از تغییرات بین یک مغز عادی و مغزی است که تحت تاثیر این بیماری قرار گرفته است. روش پیشنهادی می‌تواند مشکل حجم نمونه کوچک را حل کند، جایی که تعداد MRI برای موارد اختلال شناختی خفیف کمتر از آلزایمر است.

روش جدید دو نوع اختلال شناختی خفیف را قادر می‌سازد تا با دقتی نزدیک به 85 درصد از هم متمایز و طبقه‌بندی شوند. او گفت: «معیارهای ارزیابی نشان می‌دهند که روش پیشنهادی ما بهتر از روش‌های موجود عمل می‌کند،» از جمله روش‌های مرسوم‌تر و سایر روش‌های مبتنی بر یادگیری عمیق، حتی زمانی که آنها با نشانگرهای زیستی مانند تست‌های سن و شناختی ترکیب شوند. او در پایان گفت: «ما می‌توانیم اجرای خود را با هرکسی که مایل به بازتولید نتایج و مقایسه روش‌های آن‌ها با ما هستند به اشتراک بگذاریم. ما معتقدیم که این روش می‌تواند به متخصصان کمک کند تا تحقیقات را گسترش دهند».

ارائه شده توسط Universitat Oberta de Catalunya