​​پژوهشگران با استفاده از هوش مصنوعی (AI)، مدلی را توسعه داده‌اند که می‌تواند تصاویر مغز را برای شناسایی علائم اختلالات روانی در نوجوانان، مانند افسردگی، اضطراب، ای‌.دی.اچ.دی (ADHD)، اختلالات خلقی و روان‌پریشی تجزیه و تحلیل کند.

تشخیص دقیق مسائل مربوط به سلامت روان دشوار است، به ویژه در نوجوانان که مغز هنوز در حال رشد است و فرایند تشخیص بر اساس ارزیابی‌های روان‌شناختی را حتی پیچیده‌تر و ذهنی‌تر می‌کند و احتمال تشخیص اشتباه را افزایش می‌دهد.

انکی‌ کیو Anqi Qiu، مدیر این پروژه و استاد دپارتمان فن‌آوری بهداشت و انفورماتیک در دانشگاه پلی‌تکنیک هنگ گنگ گفت مدلی که آن‌ها توسعه داده‌اند می‌تواند به طور بالقوه به عنوان یک ابزار غربالگری بالینی برای شناسایی افرادی که در معرض خطر هستند مورد استفاده قرار گیرد و مداخله زودهنگام را ممکن می‌سازد.

مانند چت.جی‌.پی‌.تی (ChatGPT)، این مدل نیز مبتنی بر شبکه‌های عصبی مصنوعی است، نوعی هوش مصنوعی که فرآیند تصمیم‌گیری انسانی را تقلید می‌کند.

کیو و همکارانش این هوش مصنوعی را برای شناسایی «مدارهای مغزی» که بیشترین قدرت پیش‌بینی «بیماری روانی» را دارند آموزش دادند.

دیدگاه دقیق‌تر درباره بیماری روانی

این مدل یک دیدگاه چند بعدی درباره آسیب‌شناسی روانی ارائه می‌دهد که در آن علائم به جای تعلق به دسته‌های متمایز، در یک طیف قرار دارند.

به گفته کارشناسان در سیستم‌های تشخیصی کنونی، مرزگذاری بین آنچه «سالم» و «اختلال» خوانده می‌شوند تا حدودی خودسرانه تعیین می‌شود و بسیاری از علائم در بین دسته‌های اختلال به شدت همپوشانی دارند.

روش کیو برای آموزش هوش‌ مصنوعی

برای آموزش این مدل، کیو و همکارانش از یک گروه ۱۱۰۰ نفری بین سنین هشت تا ۱۲ سال با پیشینه‌ها و شرایط پزشکی متنوع استفاده کردند. داده‌های مربوط به هر شرکت‌کننده شامل پاسخ‌های پرسشنامه، مصاحبه و تصاویر مغزی به‌دست‌آمده از تکنیک‌های مختلف تصویربرداری عصبی، مانند MRI بود.

تصویربرداری عصبی یک ابزار تشخیصی مفید است زیرا تغییرات خاصی در مغز با اختلالات روانی مرتبط است. به عنوان مثال، کاهش ماده خاکستری که در پردازش اطلاعات، حافظه، احساسات و حرکت نقش دارد، معمولا با شروع زودهنگام روان پریشی همراه است.

یافته‌های مطالعه

پژوهشگران دریافتند که دقت پیش‌بینی این مدل زمانی که اطلاعات بالینی و جمعیت‌شناختی مانند سن، جنسیت، نژاد، تحصیلات والدین، سابقه پزشکی و قرار گرفتن در معرض تروما را نیز در نظر گرفتند، بالاتر است.

جایی هم که قرار گرفتن در معرض تروما بزرگترین عامل پیش‌بینی بود، نشانگرهای مغزی به طور کلی بهبود اندکی در دقت پیش‌بینی ایجاد کردند.

به گفته کیو نشانگرهای تصویر می‌توانند دقت پیش بینی را تا ۲۵ درصد افزایش دهند. پس از آموزش این مدل، کیو و تیمش عملکرد آن را بر روی یک گروه بزرگ‌تر که شامل ۷۵۳۶ کودک از سنین ۹ تا ۱۱ بودند را آزمایش کردند.

این مدل زمانی که فقط با تصاویر مغز تغذیه می‌شد، نمرات مشابه گروه آموزشی را به دست آورد، اما زمانی که ویژگی‌های جمعیت‌شناختی و بالینی نیز در نظر گرفته شد، قدرت پیش‌بینی آن کمی پایین‌تر آمد.

کیو دقت پیش‌بینی پایین‌تر را به تفاوت‌های بین دو گروه نوجوان نسبت داد، چرا که در مقایسه با گروه آموزشی، گروه اعتبارسنجی بزرگ‌تر بود و شامل شرکت کنندگان جوان با علائم خفیف‌تر بیماری روانی بود.

برای هماهنگ کردن این تفاوت‌ها، او و تیمش از تکنیک یادگیری ماشینی به نام یادگیری انتقالی استفاده کردند که شامل استفاده مجدد از یک مدل از پیش آموزش‌دیده بر روی مجموعه داده دوم برای بهبود تعمیم‌پذیری آن است.

نظر دیگر کارشناسان

آدرین رومر، استادیار دپارتمان روان‌شناسی در ویرجینیا، که در این آزمایش شرکت نکرده است با تاکید بر این‌که این مطالعه تنها بر یک نقطه از زمان متمرکز شده گفته که مشتاق است تا ببیند آیا با آن دسته از اطلاعات مغز که این مدل آنها را مهم تلقی کرده، می‌توان تغییرات در آسیب‌شناسی روانی را در طول دوره رشد نوجوانان پیش‌بینی کرد یا خیر؟

به گفته رومر، اجرای اسکن‌های گران‌قیمت ام‌.آر.آی (MRI) در سطح جامعه برای ایجاد یک بهبودی متوسط ​​در دقت تشخیصی، عملی نیست.

او معتقد است که با پیشرفت فن‌آوری، این رویکرد ممکن است برای بهبود تشخیص در آینده امکان‌پذیرتر شود.

هوش مصنوعی ابزار جدید دنیای پزشکی

در اسفند ۱۴۰۲ پروژه درمان شخصی‌سازی شده مبتنی بر هوش مصنوعی در بریتانیا و اتحادیه اروپا راه اندازی شد. این پروژه نوآورانه که «نکست‌جین» نام دارد به کمک هوش مصنوعی برای شخصی‌سازی درمان بیماری‌های قلبی-عروقی در بریتانیا و اتحادیه اروپا راه اندازی شده است.

نکست‌جین با دریافت بودجه ۷/۶ میلیون یورویی از برنامه هرایزن یوروپ از اتحادیه اروپا و از سوی کنسرسیومی متشکل از ۲۱ عضو از جمله انجمن قلب و عروق اروپا پیش برده می‌شود.

در تیر ۱۴۰۲ اولین دارویی که به طور کامل توسط هوش مصنوعی تولید شده بود وارد فاز آزمایش‌های بالینی با بیماران انسانی شد. شرکت «اینسیلیکو مدیسن» که به عنوان یک استارتاپ حوزه بیوتکنولوژی در هنگ‌کنگ فعال است این دارو را برای درمان بیماری فیبروز ریوی ایدیوپاتیک تولید کرد.

به نظر می‌رسد در آینده هوش مصنوعی به کاربردی ترین ابزار علم پزشکی بدل شود.