کالهون گفت: «الگوهای جدیدی پدید آمدند که میتوانیم به طور قطعی با هر یک از سه اختلال مغزی مرتبط شویم.
مدلهای هوش مصنوعی ابتدا بر روی مجموعه دادهای شامل بیش از 10000 نفر آموزش داده شدند تا درک تصویربرداری اولیه fMRI و عملکرد مغز را بیاموزند. سپس محققان از مجموعه داده های چند سایتی شامل بیش از 1200 فرد از جمله مبتلایان به اختلال طیف اوتیسم، اسکیزوفرنی و بیماری آلزایمر استفاده کردند.
ما مدلهای هوش مصنوعی ساختیم تا مقادیر زیادی از اطلاعات fMRI را تفسیر کنیم.»
به طور مشابه، اگر خطرات اسکیزوفرنی را بتوان قبل از تغییرات واقعی در ساختار مغز پیشبینی کرد، ممکن است راههایی برای ارائه درمانهای بهتر یا مؤثرتر وجود داشته باشد.
برای اینکه این یافتهها از نظر بالینی مفید باشند، باید قبل از بروز اختلال به کار گرفته شوند.
تحقیقات جدید مرکز TReNDS دانشگاه ایالتی جورجیا ممکن است منجر به تشخیص زودهنگام شرایط ویرانگر مانند بیماری آلزایمر، اسکیزوفرنی و اوتیسم شود. به موقع به پیشگیری و درمان آسانتر این اختلالات کمک کند. در مطالعه جدیدی که در گزارش های علمی تیمی متشکل از هفت دانشمند از ایالت جورجیا یک برنامه کامپیوتری پیچیده ساختند که قادر بود مقادیر عظیمی از دادههای تصویربرداری مغز را بررسی کند و الگوهای جدید مرتبط با شرایط سلامت روان را کشف کند. دادههای تصویربرداری مغز از اسکنهایی با استفاده از تصویربرداری تشدید مغناطیسی عملکردی (fMRI) به دست آمده است که فعالیت پویای مغز را با تشخیص تغییرات کوچک در جریان خون اندازهگیری میکند.
رحمان، م.م. و همکاران (2022) مدل های تفسیری که پویایی مغز را تفسیر می کنند. گزارش های علمی doi.org/10.1038/s41598-022-15539-2.
منبع
علاوه بر این، fMRI در این شرایط خاص گران است و به راحتی به دست نمی آید. با این حال، با استفاده از یک مدل هوش مصنوعی، fMRI های معمولی می توانند داده کاوی شوند. و در تعداد زیاد موجود است.
دکتر محفور رحمان، نویسنده اول این مطالعه و دانشجوی دکترای علوم کامپیوتر در ایالت جورجیا، گفت: “هدف ما این است که جهان های بزرگ و مجموعه داده های بزرگ را با جهان های کوچک و مجموعه داده های خاص بیماری پیوند دهیم و به سمت نشانگرهای مرتبط بالینی حرکت کنیم. تصمیمات.”
منبع:
Plis گفت: “چشم انداز این است که ما مجموعه داده تصویری بزرگی را جمع آوری می کنیم، مدل های AI ما روی آن منفذ می اندازند و به ما نشان می دهند که آنها در مورد برخی اختلالات چه آموخته اند.” ما در حال ساختن سیستم هایی برای کشف دانش جدیدی هستیم که به تنهایی قادر به کشف آن نیستیم.
او این نوع تصویربرداری پویا را با یک فیلم مقایسه کرد – برخلاف عکس فوری مانند اشعه ایکس یا MRI ساختاری رایجتر – و خاطرنشان کرد: “دادههای موجود بسیار بزرگتر و بسیار غنیتر از آزمایش خون هستند. یا یک MRI معمولی. اما این چالش است – تفسیر حجم عظیمی از داده ها سخت است.”
کالهون گفت: “اگر بتوانیم نشانگرهایی برای خطر آلزایمر در یک فرد 40 ساله پیدا کنیم و آن را پیش بینی کنیم، ممکن است بتوانیم کاری در مورد آن انجام دهیم.”
وینس کالهون، مدیر مؤسس مرکز TReNDS و یکی از نویسندگان این مطالعه، توضیح می دهد: «مجموعه داده های بزرگی در افراد بدون اختلال بالینی شناخته شده وجود دارد. استفاده از این مجموعه داده های بزرگ اما نامرتبط در دسترس، عملکرد مدل را در مجموعه داده های خاص کوچکتر بهبود بخشید.
سرگئی پلیس، دانشیار علوم کامپیوتر و علوم اعصاب در ایالت جورجیا و نویسنده اصلی این مطالعه
مرجع مجله:
چگونه کار می کند؟ کمی مانند فیس بوک، یوتیوب یا آمازون است که از رفتار آنلاین شما در مورد شما یاد می گیرند و شروع به پیش بینی رفتار آینده، دوست داشتن و دوست نداشتن می کنند. این نرمافزار رایانهای حتی میتوانست در «لحظهای» که دادههای تصویربرداری مغزی به احتمال زیاد با اختلال روانی مورد نظر مرتبط بود، به خانه وارد شود.
کالهون گفت: «حتی اگر از آزمایشهای دیگر یا سابقه خانوادگی بدانیم که فردی در معرض خطر اختلالی مانند آلزایمر است، هنوز نمیتوانیم پیشبینی کنیم که دقیقاً چه زمانی رخ میدهد. تصویربرداری از مغز میتواند با گرفتن الگوهای مربوطه زمانی که قبل از آشکار شدن بیماری بالینی ظاهر میشوند، این پنجره زمانی را محدود کند.