پژوهشگران کره جنوبی با استفاده از مدلهای هوش مصنوعی نشان دادهاند که تحلیل تصاویر شبکیه چشم میتواند به عنوان روشی غیرتهاجمی و دقیق برای تشخیص اختلال کمتوجهی – بیشفعالی (ADHD) بهکار رود.
به گزارش تکناک، اختلال کمتوجهی – بیشفعالی (ADHD) یکی از مشکلاتی است که تشخیص دقیق آن بسیار مهم است. تشخیص صحیح این اختلال به افراد مبتلا کمک میکند تا راههای مناسبی برای درمان دریافت کنند. اما روشهای فعلی تشخیص، گاهی وقتگیر، پرهزینه و حتی ناکارآمد هستند.
محققان در کره جنوبی موفق شدهاند که مدلهای یادگیری ماشینی را برای شناسایی نشانههای ADHD در تصاویر فوندوس چشم (قسمت پشتی شبکیه) آموزش دهند. این تصاویر میتوانند بدون نیاز به روشهای پیچیده یا مداخلات تهاجمی، سرنخهایی برای تشخیص این اختلال فراهم کنند.
از میان چهار مدل یادگیری ماشینی آزمایششده، دقیقترین مدل موفق شد فقط بر اساس تحلیل تصویر، به دقتی چشمگیر معادل ۹۶.۹ درصد در تشخیص ADHD برسد.
پژوهشگران دریافتند که عواملی مانند تراکم بالاتر رگهای خونی، شکل و پهنای آنها، همچنین تغییراتی خاص در دیسک بینایی چشم از جمله شاخصهای کلیدی برای تشخیص ADHD محسوب میشوند.
پژوهشگران معتقد هستند که تغییرات در اتصالهای مغزی افراد مبتلا به ADHD ممکن است در ساختار چشم آنها نیز دیده شود. اگر این الگوها بهدرستی شناسایی شوند، میتوان از آنها برای تشخیص سریعتر و دقیقتر این اختلال استفاده کرد. این یافتهها راه جدیدی برای تشخیص ADHD پیشنهاد میدهند، که ممکن است مشکلات روشهای فعلی را حل کند.
پژوهشگران دانشگاه پزشکی یونسئی در مقاله منتشرشده خود در مجله npj Digital Medicine نوشتند: «تحلیل عکسهای شبکیه چشم نشان میدهد که میتوان از آنها به عنوان روشی غیرتهاجمی برای تشخیص ADHD استفاده کرد. همچنین این روش میتواند نقصهای مرتبط با تمرکز و توجه را در افراد شناسایی کند.»
این روش روی ۳۲۳ کودک و نوجوان مبتلا به ADHD و ۳۲۳ نفر بدون این اختلال، مورد آزمایش قرار گرفت.
نتایج نشان داد که سیستم هوش مصنوعی در پیشبینی ADHD در سطوح مختلف عملکرد بسیار خوبی داشت. همچنین توانست یک سری ویژگیهای خاص اختلال مانند اختلال در توجه بصری را نیز با دقت شناسایی کند.
در سالهای گذشته، روشهای مختلفی با استفاده از یادگیری ماشینی برای تشخیص ADHD ارائه شدهاند. این روشها شامل بررسی اسکنهای چشم و آزمایشهای رفتاری هستند. اما مدلی که در این پژوهش معرفی شده است، چندین مزیت مهم دارد و میتواند عملکرد بهتری ارائه دهد، که عبارتاستاز:
- اجرای سریع
- تحلیل آسان
- قابلیت مقیاسپذیری بالا
- دقتی نزدیک به دقیقترین روشها
محققان گفتند که مدلهای هوش مصنوعی قبلی از دادههای متنوعی بهره میگرفتند، که هر کدام به صورت محدود در تشخیص ADHD کمک میکردند. اما تمرکز رویکرد جدید تنها به عکسهای شبکیه است. این موضوع باعث شده است که تحلیل سادهتر شود و استفاده از مدلها، عملیتر و قابل اجرا باشد.
گام بعدی این تیم تحقیقاتی، آزمایش این روش در گروههای بزرگتر و بازههای سنی متنوعتر است. میانگین سنی شرکتکنندگان در این پژوهش ۹.۵ سال بود، در حالی که علائم ADHD در بزرگسالان میتواند بهگونهای متفاوت ظاهر شود.
همچنین پژوهشگران خاطرنشان کردند که افرادی مبتلا به اختلال اوتیسم (ASD) از بخش اصلی مطالعه حذف شده بودند و بررسیهای بعدی نشان دادند که هوش مصنوعی هنوز توانایی بالایی در تمایز میان اوتیسم و ADHD ندارد.
بر اساس تخمینهای جدید، حدود ۱ نفر از هر ۲۰ نفر در جهان مبتلا به ADHD هستند؛ اختلالی که شامل مشکلاتی در تمرکز، کنترل واکنشهای فوری و بیشفعالی است. بنابراین، ابزاری که بتواند تشخیص را سریعتر و دقیقتر انجام دهد، میتواند زندگی میلیونها نفر را تغییر دهد.
شناسایی زودهنگام و مداخله بهموقع میتواند به بهبود عملکرد اجتماعی، خانوادگی و تحصیلی افراد مبتلا به ADHD کمک کند.
