اخیرا محققان موفق به ثبت تصاویر از شبکیه چشم کودکان شده و آنها را با استفاده از یک الگوریتم یادگیری عمیق هوش مصنوعی برای تشخیص اوتیسم با دقت 100 درصد غربالگری کردند.
به گزارش تکناک، این یافته ها از استفاده از هوش مصنوعی به عنوان یک ابزار تشخیصی عینی برای تشخیص زودهنگام، به ویژه زمانی که دسترسی به روانپزشک متخصص کودک محدود است، پشتیبانی می کند.
در پشت چشم، شبکیه و عصب بینایی در دیسک بینایی به هم متصل می شوند. این ساختار که گسترش دهنده سیستم عصبی مرکزی است، پنجره ای به مغز است و محققان شروع به استفاده از توانایی خود برای دسترسی آسان و غیرتهاجمی به این قسمت بدن برای به دست آوردن اطلاعات مهم مرتبط با مغز کرده اند.
اخیراً محققان بریتانیایی ابزاری غیرتهاجمی برای تشخیص سریع ضربه مغزی با تاباندن لیزری ایمن بر چشم بر روی شبکیه ایجاد کردند. اکنون محققان کالج پزشکی دانشگاه یونسی در کره جنوبی روشی را برای تشخیص اختلال طیف اوتیسم (ASD) و شدت علائم این بیماری در کودکان با استفاده از تصاویر شبکیه چشم که توسط یک الگوریتم هوش مصنوعی غربال شده است، توسعه داده‌اند.
محققان 958 شرکت‌کننده با میانگین سنی 7.8 سال را انتخاب کردند و از شبکیه چشم آنها عکس گرفتند که در مجموع 1890 تصویر به دست آمد. نیمی از شرکت کنندگان به اوتیسم تشخیص داده شده بودند و نیمی از گروه تحت کنترل همسان با سن و جنسیت گروه اول بودند. شدت علائم اوتیسم با استفاده از برنامه مشاهده تشخیصی اوتیسم بررسی شد که ابزاری است برای تشخیص و ارزیابی اوتیسم.
سپس یک شبکه عصبی کانولوشن که یک الگوریتم یادگیری عمیق است، با استفاده از 85 درصد از تصاویر شبکیه و نمرات آزمون، شدت علائم برای ساخت مدل‌های هوش مصنوعی برای غربالگری شدت علائم اوتیسم آموزش داده شد. 15 درصد باقیمانده تصاویر برای آزمایش حفظ شدند.
برای تشخیص اوتیسم در مجموعه آزمایشی تصاویر، هوش مصنوعی می‌تواند کودکان مبتلا به اوتیسم را با سطح متوسط زیر منحنی مشخصه عملکرد گیرنده (AUROC) 1.00 انتخاب کند. مقدار AUROC از 0 تا 1 متغیر است. مدلی که پیش‌بینی‌های آن 100% اشتباه است دارای AUROC 0.0 است. مدلی که پیش‌بینی‌هایش 100% درست است دارای AUROC 1.0 است که نشان می‌دهد پیش‌بینی‌های هوش مصنوعی در مطالعه کنونی 100% درست بوده است. کاهش قابل توجهی در میانگین AUROC مشاهده نشد، حتی زمانی که 95 درصد از کم اهمیت ترین قسمت های تصویر حذف شدند.
محققان می‌گویند: مدل‌های هوش مصنوعی ما عملکرد امیدوارکننده‌ای در تمایز بین اوتیسم و TD [کودکان با رشد معمولی] با استفاده از عکس‌های شبکیه داشتند، که این موضوع نشان می‌دهد تغییرات شبکیه در اوتیسم ممکن است ارزش بالقوه‌ای به عنوان نشانگرهای زیستی داشته باشد. جالب اینجاست که این مدل‌ها میانگین AUROC 1.00 را تنها با استفاده از 10 درصد از تصویر حاوی دیسک نوری حفظ کردند، که نشان می‌دهد این ناحیه برای تشخیص اوتیسم از کودک با رشد معمولی بسیار مهم است.
میانگین مقدار AUROC برای شدت علائم 0.74 بود که در آن AUROC 0.7 تا 0.8 قابل قبول و 0.8 تا 0.9، عالی در نظر گرفته می شود.
محققان گفتند: یافته‌های ما نشان می‌دهد که عکس‌های شبکیه ممکن است اطلاعات بیشتری در مورد شدت علائم اوتیسم ارائه دهند.
شرکت کنندگان در مطالعه به سن چهار سالگی رسیده بودند. محققان می گویند که بر اساس یافته های خود، مدل مبتنی بر هوش مصنوعی آنها می تواند به عنوان یک ابزار غربالگری عینی از آن سن به بعد مورد استفاده قرار گیرد. از آنجایی که شبکیه چشم نوزاد تا سن چهار سالگی به رشد خود ادامه می دهد، تحقیقات بیشتری لازم است تا مشخص شود که آیا این ابزار برای شرکت کنندگان کوچک‌تر از آن دقیق است یا خیر.
محققان می‌گویند: اگرچه مطالعات آینده برای ایجاد تعمیم‌پذیری بیشتر مورد نیاز است، مطالعه ما گامی قابل توجه به سمت توسعه ابزارهای تشخیصی عینی برای اوتیسم است که ممکن است به مسائل فوری مانند عدم دسترسی به ارزیابی‌های تخصصی روانپزشکی کودک به دلیل منابع محدود کمک کند.
این مطالعه در مجله JAMA Network Open منتشر شد.
