محققان کالج یونسی در کره جنوبی با استفاده از تصاویر شبکیه که با الگوریتم هوش مصنوعی بررسی میشود، روشی برای تشخیص اختلال طیف اوتیسم (ASD) و علائم شدت آن در کودکان ابداع کردهاند.
محققان تصاویری از شبکیه چشم کودکان ثبت و آنها را با استفاده از الگوریتم هوش مصنوعی یادگیری عمیق اسکن کردند تا اوتیسم را با دقت ۱۰۰ درصد تشخیص دهند.
به گزارش مهر، یافتههای این پژوهش از استفاده از هوش مصنوعی به عنوان ابزار رصد برای تشخیص زودهنگام بیماری به خصوص هنگامیکه دسترسی به متخصص کودکان محدود است، کارآمد به حساب میآید.
در پشت چشم، شبکه و اعصاب بصری در یک صفحه اوپتیکی به یکدیگر متصل میشوند. این بخش که امتدادی از سیستم عصبی مرکزی است، پنجرهای به مغز انسان است. محققان بر توانایی شان برای دسترسی سریع و غیرتهاجمی به این قسمت از بدن برای دستیابی به اطلاعات مهم مرتبط با مغز سرمایه گذاری کردهاند.
اخیرا محققان انگلیسی ابزارهایی غیرتهاجمی برای تشخیص سریع آسیب ابداع کرده اند و برای این منظور یک نور ایمن لیزر به شبکیه میتابانند. اکنون، محققان کالج یونسی در کره جنوبی با استفاده از تصاویر شبکیه که با الگوریتم هوش مصنوعی بررسی میشود، روشی برای تشخیص اختلال طیف اوتیسم (ASD) و علائم شدت آن در کودکان ابداع کردهاند.
محققان ۹۵۸ شرکت کننده با میانگین سنی ۷.۸ سال را استخدام و عکس شبکیه آنها را ثبت کردند. به این ترتیب آنها در کل ۱۸۹۰ تصویر در اختیار داشتند. نیمی از این کودکان از قبل مبتلا به ASD تشخیص داده شده بودند و نیم دیگر شرکت کنندگان عضو گروه کنترل بودند. علائم شدت این بیماری با استفاده از «برنامه مشاهده تشخیصی اوتیسم» (Autism Diagnostic Observation Schedule) سنجیده شد.
یک الگوریتم یادگیری عمیق با استفاده از ۸۵ درصد تصاویر شبکیه و نتایج تستهای شدت علائم بیماری آموزش داده شد تا مدلهایی برای بررسی ASD و شدت علائم ASD بسازد. ۱۵ درصد تصاویر باقیمانده برای آزمایش دوباره آموزش داده شدند.
محققان در این باره میگویند: مدلهای عملکردی نویدبخش در ایجاد تمایز بین ASD و TD (کودکان با رشد معمولی) با کمک عکسهای معمولی داشت که نشان میدهد تغییرات در شبکیه در افراد مبتلا به ASD احتمالا به عنوان نشانگر زیستی ارزش دارد. یافتههای ما نشان میدهد تصاویر شبکیه احتمالا اطلاعاتی اضافی درباره شدت علائم نیز دارند.
هر چند به مطالعات بیشتری در این زمینه نیاز است، اما تحقیق پیش رو گامی مهم در توسعه ابزارهای بررسی ASD به شمار میرود و چالشهای اضطراری مانند عدم دسترسی به متخصص کودکان را برطرف میکند.