هوش مصنوعی الگوهای پنهان مغز را کشف می کند

به گزارش خبرنگار گروه علم و فناوری خبرگزاری برنا؛ محققان کلینیک مایو از هوش مصنوعی برای بهبود تجزیه و تحلیل آزمایش‌های EEG استفاده می‌کنند و به تشخیص زودهنگام زوال عقل کمک می‌کنند.

با تجزیه و تحلیل دقیق‌تر الگو‌های موج مغزی، هوش مصنوعی نشانه‌های ظریف کاهش شناختی را نشان می‌دهد که کارشناسان ممکن است از دست بدهند. این پیشرفت، بر اساس داده‌های بیش از ۱۱۰۰۰ بیمار، نشان می‌دهد که تخم مرغ می‌تواند به یک ابزار تشخیصی قابل دسترس‌تر برای مسائل شناختی، به ویژه در مناطق محروم تبدیل شود.

پیشرفت تحلیل EEG با هوش مصنوعی و یادگیری ماشین

دانشمندان کلینیک مایو از هوش مصنوعی (AI) و یادگیری ماشین برای تجزیه و تحلیل تست‌های الکتروانسفالوگرام (eeg) سریع‌تر و دقیق‌تر استفاده می‌کنند و متخصصین عصبی را قادر می‌سازد تا علائم اولیه زوال عقل را در میان داده‌هایی که معمولا مورد بررسی قرار نمی‌گیرند، پیدا کنند.

EEG صد ساله که طی آن ده‌ها یا بیشتر الکترود برای نظارت بر فعالیت مغز به پوست سر چسبیده است، اغلب برای تشخیص صرع استفاده می‌شود. نتایج آن توسط متخصصین عصب شناسی و سایر کارشناسان که برای تشخیص الگو‌ها در میان امواج بی ثبات آزمایش آموزش دیده اند، تفسیر می‌شود.

تقویت تشخیص زودهنگام زوال عقل با هوش مصنوعی

در تحقیقات جدیدی که در مجله Brain Communications منتشر شد، دانشمندان در برنامه هوش مصنوعی عصب شناسی کلینیک مایو (NAIP) نشان می‌دهند که چگونه هوش مصنوعی نه تنها می‌تواند تجزیه و تحلیل را تسریع کند، بلکه کارشناسان را که نتایج آزمایش را بررسی می‌کنند به الگو‌های غیر طبیعی بسیار ظریف برای تشخیص انسان هشدار می‌دهد. این تکنولوژی نشان می‌دهد که یک روز به پزشکان کمک می‌کند تا علل مشکلات شناختی مانند بیماری آلزایمر و زوال عقل بدن لویی را تشخیص دهند. این تحقیق نشان می‌دهد که Eeg‌ها که به طور گسترده‌تر در دسترس هستند، ارزان‌تر و کمتر تهاجمی از سایر آزمایش‌ها برای گرفتن سلامت مغز هستند، می‌توانند ابزاری قابل دسترس‌تر برای کمک به پزشکان برای تشخیص مشکلات شناختی در بیماران در اوایل باشند.

دیوید تی جونز، متخصص عصب شناسی و مدیر NAIP گفت: در این امواج مغزی اطلاعات پزشکی زیادی در مورد سلامت مغز در EEG وجود دارد. به خوبی شناخته شده است که می‌توانید این امواج را در افرادی که مشکلات شناختی دارند، آهسته‌تر ببینید و کمی متفاوت به نظر برسید. در مطالعه ما، می‌خواستیم بدانیم که آیا می‌توانیم این نوع کند شدن را با کمک هوش مصنوعی به طور دقیق اندازه گیری و اندازه گیری کنیم.

توسعه ابزار هوش مصنوعی با داده‌های گسترده

برای توسعه این ابزار، محققان داده‌های بیش از ۱۱۰۰۰ بیمار را که در طی یک دهه تخمک در کلینیک مایو دریافت کرده بودند، جمع آوری کردند. آنها از یادگیری ماشین و هوش مصنوعی برای ساده سازی الگو‌های پیچیده موج مغزی به شش ویژگی خاص استفاده کردند و به مدل آموزش دادند که به طور خودکار عناصر خاصی مانند داده‌هایی را که باید نادیده گرفته شوند، دور بیندازد تا الگو‌های مشخصه مشکلات شناختی مانند بیماری آلزایمر را صفر کند.

ونتاو لی، M. D. یکی از اولین نویسندگان مقاله که این تحقیق را با NAIP در حالی که یک متخصص عصب شناسی رفتاری بالینی کلینیک مایو انجام داد، گفت: این قابل توجه بود که چگونه این تکنولوژی به سرعت به استخراج الگو‌های EEG در مقایسه با اقدامات سنتی زوال عقل مانند آزمایش شناختی کنار تخت، نشانگر‌های زیستی مایع و تصویربرداری مغز کمک کرد.

EEG به عنوان ابزاری قابل دسترسی برای تشخیص زودهنگام

استفاده از EEG برای تشخیص مشکلات شناختی لزوما جایگزین انواع دیگر امتحانات مانند mri یا اسکن PET نمی‌شود. اما با قدرت هوش مصنوعی، EEG می‌تواند روزی به متخصصان مراقبت‌های بهداشتی ابزاری اقتصادی‌تر و قابل دسترس‌تر برای تشخیص زودهنگام در جوامع بدون دسترسی آسان به کلینیک‌های تخصصی یا تجهیزات تخصصی، مانند محیط‌های روستایی، به گفته جونز، ارائه دهد.

جونز گفت: این واقعا مهم است که مشکلات حافظه را زود تشخیص دهید، حتی قبل از اینکه آشکار شوند. داشتن تشخیص صحیح در اوایل به ما کمک می‌کند تا به بیماران چشم انداز مناسب و بهترین درمان را ارائه دهیم. روش‌هایی که بررسی می‌کنیم می‌تواند راهی ارزان‌تر برای شناسایی افراد مبتلا به از دست دادن حافظه زودرس یا زوال عقل در مقایسه با آزمایش‌های فعلی ما باشد، مانند آزمایش مایعات نخاعی، اسکن گلوکز مغز یا آزمایش حافظه.

تحقیق و اعتبارسنجی آینده

به گفته جونز، ادامه آزمایش و اعتبارسنجی این ابزار‌ها چندین سال تحقیق اضافی را در بر خواهد گرفت. با این حال، او می‌گوید که این تحقیق نشان می‌دهد که راه‌هایی برای استفاده از داده‌های بالینی برای ترکیب ابزار‌های جدید در جریان کار بالینی برای دستیابی به هدف محققان برای آوردن مدل‌های جدید و نوآوری به عمل بالینی، افزایش قابلیت‌های ارزیابی‌های موجود و مقیاس این دانش در خارج از کلینیک مایو وجود دارد.

یوگا واراتاراجا، نویسنده مقاله‌ای که در زمان تکمیل کار همکار تحقیق NAIP بود، گفت: این کار نمونه‌ای از کار تیمی چند رشته‌ای برای پیشرفت تحقیقات مراقبت‌های بهداشتی مبتنی بر فناوری ترجمه است.

انتهای پیام/