منبع: Pixabay/Mohamed_hassan

دانشمندان ابزار تشخیصی هوش مصنوعی (AI) جدیدی ساخته اند که می تواند به شناسایی خطر ابتلا به اوتیسم در کودکان نوپا کمک کند. یک مطالعه جدید نشان می دهد که چگونه یادگیری ماشینی هوش مصنوعی می تواند خطر اختلال طیف اوتیسم (ASD) را در کودکان زیر 24 ماه با دقت 80 درصد پیش بینی کند. این تحقیق در آگوست 2024 منتشر شد شبکه جاما باز، با استفاده از مجموعه داده های اوتیسم ایالات متحده و توسط محققان موسسه کارولینسکا در استکهلم، سوئد انجام شد.

اختلال طیف اوتیسم یک اختلال عصبی رشدی پیچیده است که بر مهارت های اجتماعی، رفتاری، یادگیری و ارتباطی تأثیر می گذارد. ویرایش پنجم راهنمای تشخیصی و آماری اختلالات روانی (DSM) توسط انجمن روانپزشکی آمریکا، اختلال اوتیسم، سندرم آسپرگر، اختلال از هم گسیخته دوران کودکی، و اختلال نافذ رشدی را که به طور دیگری مشخص نشده است (PDD-NOS) تحت اختلال طیف اوتیسم، ادغام کرد. معیار DSM-5 برای اوتیسم به دو دسته تقسیم می‌شود، نقص‌های مداوم در ارتباطات/تعامل اجتماعی و الگوهای رفتاری محدود و تکراری.

اوتیسم چقدر شایع است

تخمین زده می شود که از هر 100 کودک، یک کودک مبتلا به ASD در سراسر جهان تشخیص داده شود شیوع جهانی اوتیسم: به روز رسانی مرور سیستماتیک منتشر شده در تحقیقات اوتیسم در سال 2022 توسط زیدان و همکاران. در ایالات متحده، شیوع اوتیسم حتی بیشتر است. بر اساس گزارش مرکز کنترل و پیشگیری از بیماری های ایالات متحده، از هر 36 کودک، 1 کودک مبتلا به اوتیسم است و از هر 45 بزرگسال، 1 نفر در آمریکا اوتیسم دارد.

متخصصان می توانند به طور قابل اعتمادی در دو سالگی اوتیسم را تشخیص دهند، اما میانگین سن تشخیص در خانواده های کم درآمد 4.7 سال و در خانواده های با درآمد بالاتر در آمریکا 5.2 سال است. بررسی ملی سلامت کودکان (NSCH) گزارش دهید. طبق همین گزارش، میانگین سن اولین مداخله در ایالات متحده 4.7 سال است.

مداخله اولیه برای کودکان مبتلا به ASD

به گفته موسسه ملی سلامت کودک و توسعه انسانی یونیس کندی شرایور، مداخله برای اوتیسم در اوایل دو یا سه سالگی، زمانی که مغز کودک در حال شکل گیری است و انعطاف پذیری دارد، بهترین شانس را برای رشد کامل به کودک می دهد. . در برخی موارد، کودکان مبتلا به اوتیسم که با مداخله زودهنگام درمان می‌شوند، پیشرفت می‌کنند و به حدی رشد می‌کنند که در سال‌های بعد از نظر NIH دیگر در طیف اوتیسم در نظر گرفته نمی‌شوند.

دکتر کریستینا تامیمیس، نویسنده مسئول این مطالعه، با همکاری شیام ساندار راجاگوپالان، نویسنده مقاله نوشت: شناسایی زودهنگام احتمال اختلال طیف اوتیسم (ASD) با استفاده از حداقل اطلاعات برای تشخیص زودهنگام و مداخله ضروری است، که می تواند بر نتایج رشد تاثیر بگذارد. ، دکترا، اشرف یحیی، MBBS، PhD، و یالی ژانگ، کارشناسی ارشد. این تحقیق از ناحیه علوم اعصاب منطقه تحقیقات استراتژیک (StratNeuro) در موسسه کارولینسکا، بنیاد تحقیقات استراتژیک سوئد و Hjärnfonden بودجه دریافت کرد.

برای ایجاد یک ابزار تشخیصی غیرتهاجمی هوش مصنوعی برای پیش‌بینی اختلال طیف اوتیسم برای تشخیص و مداخله زودهنگام، محققان از ویژگی‌های انتخابی از پیشینه و داده‌های پزشکی از بزرگترین پایگاه داده تحقیقاتی ASD در سراسر جهان استفاده کردند.

عمق و وسعت داده های آموزشی و اعتبارسنجی برای ساخت مدل های یادگیری ماشینی قوی هوش مصنوعی ضروری است. پایگاه داده های عظیم توسط الگوریتم یادگیری ماشین هوش مصنوعی برای “یادگیری” ویژگی های مهم از داده ها به جای کدگذاری صریح دستورالعمل های نرم افزار کامپیوتری استفاده می شود.

محققان گزارش دادند: «مدل پیشنهادی ما، با استفاده از اطلاعات اولیه پزشکی و پس‌زمینه، می‌تواند برای غربالگری کودکان در سنین پایین مورد استفاده قرار گیرد.»

محققان موسسه Karolinska از بزرگترین پایگاه داده موجود برای تحقیقات ASD به نام SPARK و همچنین پایگاه داده Simons Simplex Collection (SSC) از ابتکار تحقیقات اوتیسم بنیاد سیمونز (SFARI) استفاده کردند. SPARK بزرگترین مطالعه تحقیقاتی اوتیسم در سطح جهان است و توسط ابتکار تحقیقات اوتیسم بنیاد سیمونز (SFARI)، که بخشی از بنیاد سیمونز است، پشتیبانی می شود. ابتکار تحقیقات اوتیسم بنیاد سیمونز از استخدام آنلاین استفاده می کند و با مشارکت 31 کلینیک تحقیقاتی دانشگاه آمریکایی در 26 ایالت کار می کند. پایگاه داده SPARK شامل سوابق بیش از 100000 فرد مبتلا به اوتیسم و ​​175000 عضو خانواده است.

چه نوع الگوریتم های هوش مصنوعی اوتیسم را بهترین پیش بینی کردند

برای ایجاد ابزار پیش‌بینی ASD یادگیری ماشین هوش مصنوعی خود به نام AutMedAI، محققان از داده‌های 30660 شرکت‌کننده استفاده کردند که به طور مساوی بین افراد دارای ASD و افراد بدون ASD تقسیم شدند. برای آزمایش و اعتبارسنجی مدل هوش مصنوعی آنها، داده‌های 14790 فرد از دو گروه برای آزمایش‌های اعتبارسنجی استفاده شد. از SPARK آنها از رکوردهای 11936 شرکت کننده استفاده کردند که از این تعداد 10476 نفر دارای ASD بودند و 1460 نفر فاقد ASD بودند. این مطالعه همچنین از داده های 2854 فرد مبتلا به ASD از پایگاه داده SSC استفاده کرد.

برای توسعه مدل خود، دانشمندان از بیست و هشت پارامتر استفاده کردند و چهار نوع مختلف از مدل‌های یادگیری ماشینی هوش مصنوعی را آزمایش کردند تا بهترین عملکرد را برای پیش‌بینی کودکان اوتیسم انتخاب کنند. این الگوریتم‌های هوش مصنوعی شامل جنگل تصادفی، رگرسیون لجستیک، درخت تصمیم و تقویت گرادیان فوق‌العاده (XGBoost) است.

از بین این چهار الگوریتم، آنها متوجه شدند که الگوریتم XGBoost بهترین عملکرد را دارد و نام آن را AutMedAI گذاشتند. می تواند اوتیسم را در کودکان زیر 24 ماه با دقت پیش بینی 80 درصدی پیش بینی کند.

محققان نتیجه گرفتند: «مدل توسعه‌یافته ما پتانسیل استفاده بالینی به عنوان یک ابزار غربالگری غیرتهاجمی ASD را دارد.

حق چاپ © 2024 Cami Rosso کلیه حقوق محفوظ است.