چگونه هوش مصنوعی می تواند به غربالگری اوتیسم در کودکان کمک کند

برای کودکان مبتلا به اختلال طیف اوتیسم (ASD)، تشخیص زودهنگام می تواند تفاوت بزرگی در بهبود رفتار، مهارت ها و رشد زبان ایجاد کند. اما علیرغم اینکه یکی از شایع ترین ناتوانی های رشدی است که از هر 54 کودک در ایالات متحده 1 کودک را تحت تاثیر قرار می دهد، تشخیص آن چندان آسان نیست.

هیچ آزمایش آزمایشگاهی و هیچ علت ژنتیکی مشخصی وجود ندارد – در عوض، پزشکان به رفتار کودک نگاه می‌کنند و بر اساس پرسشنامه‌ها مصاحبه‌های ساختاری با مراقبان کودک انجام می‌دهند. اما این پرسشنامه ها گسترده، پیچیده و غیر قابل خطا هستند.

شریکانت نارایانان، پروفسور دانشگاه USC، کرسی مهندسی نیکی و ماکس نیکیاس و استاد مهندسی برق و کامپیوتر، می‌گوید: «در تلاش برای تشخیص و طبقه‌بندی شرایط پیچیده‌ای مانند اختلال طیف اوتیسم، دانستن اینکه چه سؤالاتی بپرسید و به چه ترتیبی چالش برانگیز می‌شود.» ، علوم کامپیوتر، زبانشناسی، روانشناسی، اطفال و گوش و حلق و بینی.

“به این ترتیب، اداره این سیستم دشوار است و می تواند مثبت کاذب ایجاد کند، یا ASD را به عنوان سایر بیماری های همراه، مانند اختلال بیش فعالی نقص توجه (ADHD) مخدوش کند.”

در نتیجه، بسیاری از کودکان نمی توانند درمان های مورد نیاز خود را در یک زمان حساس دریافت کنند.

یک تیم بین رشته ای به رهبری محققان علوم کامپیوتر USC، با همکاری کارشناسان بالینی و محققان اوتیسم، امیدوار است که با ایجاد یک سیستم سریع تر، قابل اعتمادتر و در دسترس تر برای غربالگری کودکان از نظر ASD، این امر را بهبود بخشد. روش مبتنی بر هوش مصنوعی به شکل یک تست انطباقی کامپیوتری است که با یادگیری ماشینی پشتیبانی می‌شود و به پزشکان بالینی کمک می‌کند تا بر اساس پاسخ‌های قبلی مراقبان تصمیم بگیرند که چه سؤالاتی را در زمان واقعی بپرسند.

ویکتور آردولوف، سرپرست تیم تحقیق، می‌گوید: «ما می‌خواستیم قدرت تشخیصی مصاحبه را با راه‌اندازی پزشک با الگوریتمی به حداکثر برسانیم که در صورت نیاز می‌تواند کنجکاوتر باشد، اما همچنین سعی می‌کند بیش از حد نیاز سؤال نپرسد». ، دکترای علوم کامپیوتر دانش آموز توصیه شده توسط نارایانان. با آموزش الگوریتم به این روش، آن را بهینه می‌کنید تا با اطلاعات جمع‌آوری‌شده تا کنون، تا حد امکان مؤثر باشد.»

علاوه بر نارایانان و آردولوف، نویسندگان همکار این مطالعه در گزارش های علمی ویکتور مارتینز و کریشنا سوماندپالی، هر دو دکترای اخیر USC هستند. فارغ التحصیلان؛ محققین اوتیسم Shuting Zheng، Emma Salzman و Somer Bishop از دانشگاه کالیفرنیا سانفرانسیسکو. و کاترین لرد از دانشگاه کالیفرنیا لس آنجلس.

یک بازی 20 سوالی

در این مطالعه، تیم تحقیقاتی دانشمندان کامپیوتر و روانشناسان بالینی به طور خاص به تمایز بین ASD و ADHD در کودکان مدرسه‌ای پرداختند. ASD و ADHD هر دو اختلالات عصبی رشدی هستند که اغلب به اشتباه برای یکدیگر تشخیص داده می شوند – رفتارهایی که کودک به دلیل ADHD نشان می دهد، مانند تکانشگری یا بی دست و پا بودن اجتماعی، ممکن است شبیه اوتیسم باشد و برعکس.

به این ترتیب، کودکان را می‌توان به‌عنوان در معرض خطر برای شرایطی که ممکن است نداشته باشند، علامت‌گذاری کرد که به طور بالقوه ارزیابی، تشخیص و مداخله صحیح را به تأخیر می‌اندازد. بر اساس مطالعه‌ای که توسط مراکز کنترل و پیشگیری از بیماری‌ها و دانشگاه واشنگتن انجام شد، در واقع، اوتیسم ممکن است در 9 درصد از کودکان بیش از حد تشخیص داده شود.

برای کمک به تشخیص، پزشک توانایی‌های ارتباطی و رفتارهای اجتماعی کودک را با جمع‌آوری سابقه پزشکی و پرسیدن سؤالات باز از مراقبان ارزیابی می‌کند. به عنوان مثال، سؤالات شامل رفتارهای تکراری یا تشریفات خاصی است که می تواند نشانه های اوتیسم باشد.

در پایان فرآیند، یک الگوریتم به پزشک کمک می کند تا یک امتیاز را محاسبه کند که به عنوان بخشی از تشخیص استفاده می شود. اما سوالات پرسیده شده با توجه به پاسخ های مصاحبه شونده تغییر نمی کند که می تواند منجر به همپوشانی اطلاعات و افزونگی شود.

آردولوف گفت: “این ایده که ما همه این داده ها را داریم، و همه اعداد را در پایان خرد می کنیم – این واقعا یک فرآیند تشخیصی خوب نیست.” “تشخیص بیشتر شبیه انجام یک بازی 20 سوالی است – چیزی که می توانم بپرسم چیست که به من کمک می کند تا تشخیص را موثرتر انجام دهم؟”

به حداکثر رساندن دقت تشخیصی

در عوض، روش جدید محققان به عنوان یک نمودار جریان هوشمند عمل می‌کند، که بر اساس پاسخ‌های قبلی پاسخ‌دهنده تطبیق می‌یابد و توصیه می‌کند که با در دسترس قرار گرفتن اطلاعات بیشتر درباره کودک، کدام مورد بعدی را بپرسید.

به عنوان مثال، اگر کودک قادر به گفتگو باشد، می توان فرض کرد که او مهارت های ارتباط کلامی دارد. آردولوف گفت: «بنابراین، مدل ما ممکن است پیشنهاد کند ابتدا در مورد گفتار سؤال شود، و سپس تصمیم بگیریم که آیا در مورد مهارت‌های مکالمه بر اساس پاسخ سؤال کنیم یا خیر – این به طور مؤثری به حداقل رساندن سؤالات تعادل می‌دهد و در عین حال اطلاعات جمع‌آوری‌شده را به حداکثر می‌رساند».

آنها از یادگیری Q-یک روش آموزشی یادگیری تقویتی مبتنی بر پاداش دادن به رفتارهای مطلوب و تنبیه رفتارهای نامطلوب- استفاده کردند تا پیشنهاد کنند که کدام موارد باید برای تمایز بین اختلالات و تشخیص دقیق پیگیری شود.

آردولوف گفت: «به‌جای اینکه فقط پاسخ‌ها را در انتها خرد کنیم، گفتیم: این بهترین سؤال بعدی است که در طول فرآیند می‌توان پرسید. در نتیجه، مدل‌های ما وقتی با اطلاعات کمتری ارائه می‌شوند، در پیش‌بینی بهتر عمل می‌کنند.»

به گفته محققان، این آزمایش جایگزین تشخیص پزشک متخصص نیست، بلکه برای کمک به تشخیص سریعتر و دقیق تر است.

آردولوف گفت: «این پژوهش این پتانسیل را دارد که پزشکان را قادر می‌سازد تا به‌طور مؤثرتری فرآیند تشخیصی را طی کنند، چه به‌موقع‌تر باشد، چه با کاهش برخی فشارهای شناختی، که نشان داده شده است تأثیر فرسودگی شغلی را کاهش می‌دهد».

همچنین می‌تواند به پزشکان کمک کند تا بیماران را به طور مؤثرتری تریاژ کنند و با عمل به عنوان یک روش غربالگری در خانه و مبتنی بر برنامه، به افراد بیشتری دسترسی پیدا کنند.»

اگرچه هنوز کارهایی وجود دارد که باید قبل از آماده شدن این فناوری برای استفاده بالینی انجام شود، نارایانان گفت که این یک اثبات مفهومی امیدوارکننده برای رابط های تطبیقی ​​در تشخیص اختلالات ارتباط اجتماعی و احتمالاً بیشتر است.

نارایانان گفت: «چنین رویکردی به دلیل کاربرد آن نه تنها در ASD واقعاً قابل توجه است. همچنین می‌تواند به تشخیص بسیاری از شرایط سلامت روانی و رفتاری در طول زندگی و در سطح جهانی کمک کند، از جمله اختلالات اضطرابی، افسردگی، اعتیاد و زوال عقل که همگی به روش‌های مشابه برای درک و درمان آن‌ها متکی هستند.»