یافته های 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 می آید.
در پشت چشم، شبکه و اعصاب بصری در یک صفحه اوپتیکی به یکدیگر متصل می شوند. این بخش که امتدادی از سیستم عصبی مرکزی است، پنجره ای 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 کرده اند.
اخیرا محققان انگلیسی ابزارهایی غیرتهاجمی برای تشخیص سریع آسیب ابداع کرده اند و برای این منظور یک نور ایمن لیزر به شبکیه می تابانند. اکنون محققان کالج یونسی در کره جنوبی با استفاده از تصاویر شبکیه که با الگوریتم هوش مصنوعی بررسی می شود، روشی برای تشخیص اختلال طیف اوتیسم (ASD) و علائم شدت آن در کودکان ابداع کرده اند.
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 تست های شدت علائم بیماری آموزش داده شد تا مدل هایی برای بررسی ASD و شدت علائم ASD بسازد. ۱۵ درصد تصاویر باقیمانده برای آزمایش دوباره آموزش داده شدند.
محققان در این باره می گویند: مدل های عملکردی نویدبخش در ایجاد تمایز بین ASD و TD(کودکان با رشد معمولی) با کمک عکس های معمولی داشت که نشان می دهد تغییرات در شبکیه در افراد مبتلا به ASD احتمالا به عنوان نشانگر زیستی ارزش دارد. یافته های ما نشان می دهد تصاویر شبکیه احتمالا اطلاعاتی اضافی درباره شدت علائم نیز دارند.
هرچند به مطالعات بیشتری در این زمینه نیاز است، اما تحقیق پیش رو گامی مهم در توسعه ابزارهای بررسی ASD به شمار می رود و چالش های اضطراری مانند عدم دسترسی به متخصص کودکان را برطرف می کند.
۵۸۵۸
