انقلاب هوش مصنوعی در تشخیص زودهنگام زوال عقل (آلزایمر) با دقت بالا از طریق EEG

هوش مصنوعی و EEG: گام بلند دانشگاه اوربرو برای تشخیص دقیق زوال عقل

محققان دانشگاه اوربرو (Örebro University) با طراحی و توسعه دو مدل پیشرفته هوش مصنوعی، مسیری نوین را برای تشخیص زودهنگام و بسیار دقیق زوال عقل، از جمله بیماری‌های شایعی مانند آلزایمر، هموار کرده‌اند. این مدل‌های هوشمند، فعالیت الکتریکی مغز را مورد تجزیه و تحلیل قرار می‌دهند و می‌توانند با دقتی بالا، افراد سالم را از بیمارانی که با زوال عقل دست و پنجه نرم می‌کنند، متمایز سازند. تشخیص زودهنگام نقشی حیاتی دارد، زیرا امکان می‌دهد تا اقدامات پیشگیرانه به موقع آغاز شوند و سرعت پیشرفت بیماری کاهش یابد، در نتیجه کیفیت زندگی بیمار بهبود پیدا می‌کند.

مدل اول: ترکیب یادگیری عمیق برای شفافیت و دقت بالا

در اولین مطالعه‌ای که توسط این محققان انجام شد، تحت عنوان «چارچوب یادگیری عمیق قابل توضیح و کارآمد برای تشخیص EEG-محور بیماری آلزایمر و دمانس فرونتوتمپورال»، پژوهشگران دو روش پیشرفته هوش مصنوعی را در هم آمیختند: شبکه‌های کانولوشن زمانی (Temporal Convolutional Networks) و شبکه‌های LSTM. این برنامه برای تحلیل سیگنال‌های EEG طراحی شده است و می‌تواند تقریباً بدون خطا، وضعیت سلامتی یا بیماری فرد را مشخص کند.

هنگامی که این روش برای مقایسه سه گروه مجزا – بیماران آلزایمر، بیماران مبتلا به دمانس فرونتوتمپورال (Frontotemporal Dementia)، و افراد سالم – به کار رفت، توانست به دقت بیش از ۸۰ درصد دست یابد. نکته‌ی برجسته در این پژوهش، استفاده از یک تکنیک هوش مصنوعی توضیح‌پذیر (Explainable AI) است. این تکنیک به سیستم اجازه می‌دهد تا به وضوح نشان دهد که کدام بخش‌های خاص از سیگنال EEG بر تشخیص نهایی تأثیر گذاشته‌اند. این سطح از شفافیت تضمین می‌کند که سیستم یک “جعبه سیاه” باقی نمی‌ماند و به پزشکان کمک می‌کند تا روند تصمیم‌گیری سیستم را تفسیر کرده و به نتایج آن اعتماد کنند.

گراف‌کست (GraphCast): هوش مصنوعی برای پیش‌بینی دقیق و سریع آب و هوای جهانی

مدل دوم: حفظ حریم خصوصی با دقت فراتر از ۹۷ درصد

مدل دوم هوش مصنوعی که در مطالعه‌ای مجزا معرفی شد، با تمرکز بر حفظ حریم خصوصی و کارایی منابع، توسعه یافته است. این سیستم بسیار کوچک بوده و حجمی کمتر از یک مگابایت دارد. برای حفاظت از داده‌های حساس بیماران، این مدل از متد «یادگیری فدرال» (Federated Learning) استفاده می‌کند. این روش نوآورانه این امکان را می‌دهد که چندین مرکز درمانی بدون نیاز به اشتراک‌گذاری داده‌های بیماران خود، به صورت مشترک برای آموزش سیستم هوش مصنوعی با یکدیگر همکاری کنند. محمد حنیف، پژوهشگر انفورماتیک در دانشگاه اوربرو، تأکید می‌کند که مدل‌های یادگیری ماشینی سنتی اغلب با چالش‌های شفافیت و نگرانی‌های مربوط به حریم خصوصی مواجه هستند و هدف این مطالعه رسیدگی به هر دو موضوع بوده است. نکته قابل توجه این است که با وجود تمرکز بر حفظ حریم خصوصی، این مدل کوچک توانست به دقت طبقه‌بندی خیره‌کننده بیش از ۹۷ درصد دست پیدا کند.

رمزگشایی از امواج مغزی: تحلیل الگوهای فرکانسی

موفقیت این محققان در ترکیب روش‌های مختلف تفسیر سیگنال‌های الکتریکی مغز نهفته است. هوش مصنوعی با تقسیم سیگنال‌های EEG به باندهای فرکانسی مختلف—مانند امواج آلفا، بتا و گاما—الگوهای مرتبط با زوال عقل را شناسایی می‌کند. الگوریتم‌ها قادرند تغییرات طولانی مدت در سیگنال‌ها را تشخیص دهند و تفاوت‌های جزئی میان تشخیص‌های مختلف (مانند آلزایمر در مقابل دمانس فرونتوتمپورال) را شناسایی کنند.

آینده‌ای برای تست‌های خانگی و کاهش بار درمانی

دستگاه EEG (نوار مغزی) خود یک روش موجود، ساده و کم‌هزینه است که به راحتی در مراکز درمانی اولیه قابل استفاده می‌باشد. هنگامی که این روش با مدل‌های هوش مصنوعی ترکیب شود که قابلیت اجرا بر روی دستگاه‌های قابل حمل (Portable Devices) را دارند، پتانسیل گسترش استفاده از آن در مراقبت‌های بهداشتی، از کلینیک‌های تخصصی گرفته تا تست‌های خانگی در آینده، فراهم می‌گردد.

محمد حنیف اظهار امیدواری کرده است که در صورت اجرای کامل این راه‌حل‌ها، بار سنگین تشخیص و مراقبت از بیماران دمانس از دوش بیماران، کارکنان درمانی، بستگان و متخصصان مراقبت‌های بهداشتی برداشته خواهد شد. این مطالعات با همکاری گسترده محققان دانشگاه اوربرو و مؤسسات بین‌المللی در کشورهایی نظیر بریتانیا، استرالیا، پاکستان و عربستان سعودی صورت گرفته است.

پژوهشگران برای گام‌های بعدی برنامه‌ریزی کرده‌اند تا تحقیقات را با استفاده از مجموعه‌های داده‌ای بزرگتر و متنوع‌تر ادامه دهند، ویژگی‌های بیشتری از EEG را بررسی کنند و انواع دیگر زوال عقل، مانند دمانس عروقی (Vascular Dementia) و دمانس لوی بادی (Lewy Body Dementia)، را نیز در بر گیرند. در عین حال، تضمین حفاظت قوی از داده‌های بیمار و استفاده از هوش مصنوعی توضیح‌پذیر در اولویت خواهد بود.

هوش مصنوعی AlphaFold 3 چگونه آینده کشف دارو و زیست‌شناسی را تغییر می‌دهد؟

برای درک بهتر: سیستم‌های سنتی تشخیص زوال عقل می‌توانند مانند جستجوی یک سوزن در انبار کاه باشند که زمان‌بر و پرهزینه است. اما این مدل‌های جدید هوش مصنوعی شبیه به یک فلزیاب فوق‌العاده حساس عمل می‌کنند؛ آن‌ها نه تنها سوزن (الگوی بیماری) را بسیار سریع پیدا می‌کنند، بلکه می‌توانند با استفاده از شفافیت (Explainable AI)، به پزشک نشان دهند که چرا آن بخش از انبار کاه، حاوی آن سوزن است و بدین ترتیب اعتماد به فرآیند تشخیص را به شدت بالا می‌برند.

پادکست‌های هوش مصنوعی را در آی لرن دنبال کنید.