تشخیص ۱۰۰ درصدی اوتیسم در کودکان با بررسی تصویر شبکیه

به گزارش خبرگزاری علم و فناوری آنا به نقل از نیواطلس، محققان از شبکیه چشم کودکان عکس گرفته و آن‌ها را با استفاده از الگوریتم هوش مصنوعی یادگیری عمیق برای تشخیص اوتیسم با دقت ۱۰۰ درصدی غربالگری کرده‌اند. این یافته‌ها از هوش مصنوعی به‌عنوان یک ابزار غربالگری عینی برای تشخیص زودهنگام استفاده می‌کند، به‌خصوص زمانی که دسترسی به یک روانپزشک متخصص کودک محدود است.

در پشت چشم، شبکیه و عصب بینایی در دیسک بینایی به هم متصل می‌شوند. این ساختار که بخشی از سیستم عصبی مرکزی است، پنجره‌ای به مغز است. از این رو 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 کرده‌اند.

دیسک بینایی یا سَرعصب جایی است که عصب بینایی به پشت چشم وارد می‌شود.

تشخیص ختلال طیف اوتیسم و شدت علائم در کودکان
 
به‌تازگی محققان انگلیسی با تاباندن یک لیزر بی خطر به شبکیه چشم، روشی غیرتهاجمی برای تشخیص سریع ضربه مغزی ایجاد کرده‌اند. اکنون محققان کالج پزشکی دانشگاه یانسه در کره جنوبی با استفاده از تصاویر شبکیه که توسط الگوریتم هوش مصنوعی غربال شده است، روشی برای تشخیص اختلال طیف اوتیسم (ASD) و شدت علائم در کودکان ایجاد کرده‌اند.

محققان ۹۵۸ شرکت کننده با میانگین سنی ۷-۸ سال راانتخاب کردند و از شبکیه چشم آن‌ها عکس گرفتند که در مجموع ۱۸۹۰ تصویر به دست آمد. نیمی از شرکت کنندگان مبتلا به اوتیسم تشخیص داده شده بودند واز گروه کنترل همسان با سن و جنس بودند.

یک شبکه عصبی کانولوشن، با استفاده از ۸۵ درصد از تصاویر شبکیه و نمرات آزمون شدت علائم برای ساخت مدل‌هایی برای غربالگری شدت علائم اوتیسم آموزش داده شد. ۱۵ درصد باقی مانده تصاویر نیز برای انجام  آزمایش حفظ شدند.

شبکه عصبی کانولوشن (CNN)، یک معماری شبکه برای یادگیری عمیق است که مستقیما از داده‌ها یاد می‌گیرد. شبکه‌های عصبی کانولوشنال زیر مجموعه‌ای از یادگیری ماشین هستند و در قلب الگوریتم‌های یادگیری عمیق قرار دارند.

تغییرات شبکیه در اوتیسم به عنوان نشانگر‌ زیستی عمل می‌کند

محققان می‌گویند: مدل‌های ما عملکرد امیدوارکننده‌ای در تمایز بین اوتیسم و کودکان با رشد معمولی با استفاده از عکس‌های شبکیه داشتند، که نشان می‌دهد تغییرات شبکیه در اوتیسم ممکن است ارزش بالقوه‌ای به عنوان نشانگر‌های زیستی داشته باشد. یافته‌های ما نشان می‌دهد که عکس‌های شبکیه ممکن است اطلاعات بیشتری در مورد شدت علائم فراهم کند.

شرکت کنندگان در مطالعه به سن چهار سالگی رسیده بودند. محققان براساس یافته‌های خود می‌گویند که مدل مبتنی بر هوش مصنوعی آن‌ها می‌تواند به عنوان یک ابزار غربالگری عینی از آن دوران به بعد مورد استفاده قرار گیرد. از آنجا که شبکیه نوزاد تا چهار سالگی به رشد خود ادامه می‌دهد، تحقیقات بیشتری لازم است تا مشخص شود که آیا این ابزار برای شرکت کنندگان جوان‌تر از آن دقیق خواهد بود یا خیر.

پژوهشگران می‌گویند: اگرچه مطالعات آینده برای ایجاد تعمیم پذیری مورد نیاز است، مطالعه ما گامی قابل توجه به سوی توسعه ابزار‌های غربالگری عینی برای اختلال اوتیسم است، که ممکن است  به حل مسائل فوری مانند عدم دسترسی به ارزیابی‌های تخصصی روانپزشکی کودک به دلیل منابع محدود کمک کند.