چشم ها پنجره ای به سوی ADHD: نوآوری کره جنوبی در تشخیص سریع و دقیق با هوش مصنوعی

به گزارش بخش اخبار پزشکی زوم تک , دانشمندان با توسعه یک فناوری نوآورانه مبتنی بر هوش مصنوعی، گامی بلند در جهت تشخیص زودهنگام اختلال نقص توجه و بیش‌ فعالی (ADHD) برداشته‌اند. این سیستم پیشرفته، قادر است تنها با تحلیل تصاویر چشم افراد، نشانه‌ های مرتبط با این اختلال را شناسایی کند. این دستاورد شگفت‌ انگیز، دریچه‌ای جدید به سوی تشخیص سریع‌ تر و مداخله زودهنگام ADHD می‌گشاید و می‌تواند به میلیون‌ ها فرد در سراسر جهان کمک کند تا زودتر تحت درمان و حمایت قرار بگیرند. اما این فناوری چگونه کار می‌کند و چه پیامدهایی برای آینده تشخیص اختلالات عصبی-رشدی خواهد داشت؟

چشم‌ ها، پنجره‌ ای به ADHD؟هوش مصنوعی، تشخیص زود هنگام اختلال کم‌ توجهی را متحول می‌کند

اختلال کم توجهی بیش فعالی، که بیشتر با نام اختصاری ADHD شناخته می شود، یکی از شایع ترین اختلالات عصبی رشدی است که میلیون ها کودک و بزرگسال را در سراسر جهان تحت تاثیر قرار می دهد. تشخیص دقیق و به موقع این اختلال برای ارائه حمایت های مناسب، بهبود کیفیت زندگی افراد مبتلا و فراهم آوردن شفافیت برای خانواده ها از اهمیت فوق العاده ای برخوردار است. با این حال، روش های تشخیصی فعلی ADHD اغلب شامل ارزیابی های بالینی طولانی، مصاحبه های متعدد و پرسشنامه های ذهنی است که می تواند وقت گیر، هزینه بر و گاهی متناقض باشد. اما اکنون، مطالعه ای نوین که توسط دانشمندان کره جنوبی انجام شده، نشان می دهد که هوش مصنوعی می تواند انقلابی در این زمینه ایجاد کند و راهی سریع تر، دقیق تر و غیر تهاجمی برای تشخیص ADHD تنها با استفاده از یک تصویر از چشم ارائه دهد.

ارتباط شگفت انگیز چشم و مغز در تشخیص ADHD

پژوهشگران در کره جنوبی، با هدایت تیمی از دانشکده پزشکی دانشگاه معتبر “یانسه”، مدل های پیشرفته یادگیری ماشین را توسعه داده و آموزش داده اند تا بتوانند ویژگی های خاص و الگو های ظریف موجود در تصاویر فوندوس چشم (بخش انتهایی و حساس به نور چشم که شامل شبکیه، دیسک بینایی و عروق خونی است) را با تشخیص های حرفه ای و قطعی ADHD مرتبط سازند. این ایده بر این فرض دیرینه استوار است که تغییرات ساختاری و عملکردی در اتصالات مغزی که با اختلال ADHD مرتبط هستند، ممکن است بازتاب هایی قابل مشاهده و قابل اندازه گیری در چشم نیز داشته باشند. چشم، به واسطه عصب بینایی که مستقیما به مغز متصل است، به نوعی پنجره ای به سوی سیستم عصبی مرکزی محسوب می شود.

در این مطالعه که نتایج آن در نشریه معتبر “npj Digital Medicine” منتشر شده است، تیم تحقیق چهار مدل مختلف یادگیری ماشین را مورد آزمایش قرار داد. بهترین مدل توانست با دقتی شگفت انگیز و برابر با ۹۶.۹ درصد، تنها بر اساس تحلیل تصویر فوندوس چشم، وجود یا عدم وجود اختلال ADHD را در افراد مورد مطالعه پیش بینی کند. این سطح از دقت، به ویژه با توجه به غیر تهاجمی بودن و سرعت بالای روش، بسیار امیدوار کننده است.

محققان دریافتند که چندین نشانه کلیدی در تصاویر چشم افراد مبتلا به ADHD با هم گروه های سالم خود تفاوت معناداری دارد. از جمله این نشانه ها می توان به تراکم بیشتر رگ های خونی در شبکیه، تغییراتی در شکل و پهنای این رگ ها، و همچنین برخی دگرگونی های ظریف در ساختار دیسک بینایی (محل خروج عصب بینایی از کره چشم) اشاره کرد. شناسایی این نشانگر های زیستی چشمی می تواند راهی سریع تر، عینی تر و مطمئن تر برای شناسایی اختلال ADHD فراهم آورد، به شرطی که بتوانیم به طور دقیق بفهمیم که باید به دنبال چه الگو هایی باشیم و چگونه آن ها را تفسیر کنیم؛ کاری که هوش مصنوعی در آن مهارت بالایی از خود نشان داده است.

جزئیات مطالعه و عملکرد چشمگیر هوش مصنوعی

روش نوین تشخیص ADHD با استفاده از هوش مصنوعی و تصویربرداری از فوندوس چشم، بر روی یک گروه متشکل از ۳۲۳ کودک و نوجوان که قبلا به طور قطعی توسط متخصصان مبتلا به ADHD تشخیص داده شده بودند، و همچنین ۳۲۳ کودک و نوجوان دیگر بدون تشخیص ADHD که از نظر سنی و جنسیتی با گروه اول مطابقت کامل داشتند (گروه کنترل)، آزمایش شد. میانگین سنی شرکت کنندگان در این مطالعه ۹.۵ سال بود.

پژوهشگران در مقاله منتشر شده خود نوشتند: “بررسی عکس های فوندوس شبکیه نشان می دهد که می توان از آن ها به عنوان روشی غیر تهاجمی برای تشخیص زودهنگام ADHD و همچنین ارزیابی میزان مشکلات مرتبط با تمرکز بصری در افراد استفاده کرد.” این یافته ها نه تنها دقت بالای مدل هوش مصنوعی را در پیش بینی کلی ADHD تایید کرد، بلکه نشان داد که این سیستم در شناسایی برخی از ویژگی های خاص اختلال، از جمله اختلال در توجه انتخابی دیداری (توانایی تمرکز بر یک محرک بصری خاص در حالی که محرک های دیگر نادیده گرفته می شوند)، عملکرد بسیار خوبی داشته است. این قابلیت، ارزش تشخیصی این روش را دوچندان می کند.

مزایای روش جدید نسبت به سایر رویکرد ها

در سال های اخیر، چندین تکنیک مختلف مبتنی بر یادگیری ماشین برای غربال گری و تشخیص ADHD مورد بررسی و آزمایش قرار گرفته اند. این روش ها شامل تحلیل اسکن های جایگزین چشم (مانند حرکات چشم یا پاسخ های مردمک)، آزمون های رفتاری کامپیوتری، و حتی تحلیل الگو های فعالیت مغزی بوده اند. با این حال، روش جدید توسعه یافته توسط دانشمندان کره ای چندین ویژگی برجسته و مزیت قابل توجه دارد.

اگرچه ممکن است از نظر نمرات خام دقت، این روش در مقایسه با برخی مدل های پیشین که از مجموعه ای بسیار متنوع از متغیر ها (مانند داده های بالینی، نتایج تست های روانشناختی، و اسکن های مغزی) استفاده می کردند، دقیق ترین روش مطلق نباشد، اما به آن بسیار نزدیک است. در مقابل، این روش جدید بسیار سریع اجرا می شود، ارزیابی نتایج آن به سادگی امکان پذیر است و از همه مهمتر، پتانسیل مقیاس پذیری بسیار بالایی برای استفاده در جمعیت های بزرگ را داراست.

یکی از برتری های کلیدی این رویکرد، وابستگی آن صرفا به داده های یک منبع واحد، یعنی عکس های شبکیه چشم است. پژوهشگران در این باره توضیح می دهند: “قابل توجه است که مدل های پیشین با دقت بالا، معمولا به مجموعه ای متنوع از متغیر ها متکی بودند که هر کدام به طور تدریجی و با سهمی اندک در تمایز بین افراد سالم و افراد مبتلا به ADHD نقش داشتند. روش ما، تحلیل را با تمرکز انحصاری بر عکس های شبکیه به طور قابل توجهی ساده می کند. این راهبرد استفاده از داده های تک منبعی، وضوح، کارایی و قابلیت اطمینان مدل های ما را افزایش می دهد و از پیچیدگی های مربوط به جمع آوری و یکپارچه سازی انواع مختلف داده ها جلوگیری می کند.”

چشم انداز آینده و محدودیت های فعلی

با وجود نتایج بسیار امیدوار کننده، پژوهشگران تاکید دارند که گام بعدی، آزمایش این روش هوش مصنوعی بر روی گروه های بزرگ تر و با دامنه های سنی گسترده تر است. از آنجایی که میانگین سنی شرکت کنندگان در مطالعه فعلی ۹.۵ سال بوده و می دانیم که علائم و تظاهرات ADHD در بزرگسالان می تواند با آنچه در کودکان مشاهده می شود متفاوت باشد، بررسی کارایی این روش در جمعیت بزرگسال از اهمیت بالایی برخوردار است.

همچنین، فضایی برای گسترش دامنه و قابلیت های این سیستم نیز وجود دارد. به عنوان مثال، در مطالعه اصلی، افرادی که دارای اختلال طیف اوتیسم (ASD) بودند، از گروه نمونه کنار گذاشته شدند. آزمایش های اولیه بعدی نشان داد که مدل هوش مصنوعی فعلی در تمایز قائل شدن بین اختلال اوتیسم و اختلال ADHD چندان موفق عمل نمی کند. این موضوع نشان می دهد که برای تشخیص های افتراقی پیچیده تر، ممکن است نیاز به اصلاح مدل یا ترکیب آن با سایر داده ها باشد.

اهمیت تشخیص زودهنگام و دقیق ADHD

بر اساس برآورد های اخیر، حدود یک نفر از هر بیست نفر در جمعیت عمومی به اختلال ADHD مبتلا هستند. این اختلال می تواند شامل طیف وسیعی از مشکلات در زمینه حفظ توجه و تمرکز، کنترل تکانه ها و بیش فعالی باشد. این آمار به این معنی است که افراد بسیار زیادی در جامعه وجود دارند که تشخیص سریع تر، دقیق تر و در دسترس تر می تواند تفاوت قابل توجهی در کیفیت زندگی، مسیر تحصیلی، روابط اجتماعی و عملکرد شغلی آن ها ایجاد کند.

همانطور که پژوهشگران این مطالعه تاکید کرده اند: “غربال گری زودهنگام و مداخله به موقع و مناسب می تواند عملکرد اجتماعی، خانوادگی و تحصیلی افراد مبتلا به ADHD را به طور چشمگیری بهبود بخشد.” روش جدید مبتنی بر هوش مصنوعی و تحلیل تصاویر چشم، با پتانسیل بالای خود برای ارائه یک ابزار تشخیصی سریع، دقیق، غیر تهاجمی و مقرون به صرفه، می تواند گام مهمی در جهت تحقق این هدف باشد و امید تازه ای را برای میلیون ها نفر در سراسر جهان به ارمغان آورد. این نوآوری نشان دهنده قدرت ترکیب دانش پزشکی با فناوری های پیشرفته ای مانند هوش مصنوعی برای حل چالش های مهم سلامت است.