شبکه عصبی بر اساس EEG، اوتیسم را با دقت ۹۵ درصد تشخیص می‌دهد

به گزارش مجله خبری نگار، دانشمندان راهی برای تشخیص اختلالات طیف اوتیسم با دقت ۹۵٪ بر اساس داده‌های الکتروانسفالوگرام پیدا کرده‌اند. آنها این کار را با ترکیب روش‌های نظریه گراف و الگوریتم‌های یادگیری ماشین انجام داده‌اند که مهم‌ترین ویژگی‌ها را برای تشخیص هنجار از آسیب‌شناسی از مجموعه‌ای از داده‌ها در مورد فعالیت مغز کودکان سالم و بیمار انتخاب می‌کند. در آینده، رویکرد پیشنهادی به تشخیص اوتیسم در کودکان در سنین بسیار پایین کمک خواهد کرد. نتایج این مطالعه که با کمک هزینه برنامه ریاست جمهوری بنیاد علوم روسیه پشتیبانی می‌شود، در مجله Chaos, Solitons and Fractals منتشر شده است.

تشخیص اختلالات طیف اوتیسم در مراحل اولیه (در سال‌های اول زندگی کودک) دشوار است، زیرا تظاهرات رفتاری و عصبی این بیماری‌ها بسیار متنوع است. دانشمندان در تلاشند تا با استفاده از الگوریتم‌های یادگیری ماشینی که قادر به تجزیه و تحلیل حجم زیادی از داده‌های الکتروانسفالوگرام (EEG) هستند که فعالیت مغز را در شرایط عادی و پاتولوژیک منعکس می‌کنند، چنین اختلالاتی را شناسایی کنند. با این حال، مدل‌های موجود هنوز به اندازه کافی مؤثر نیستند - قابلیت اطمینان آنها معمولاً از ۸۰ ٪ تجاوز نمی‌کند، بنابراین رویکرد‌های جدیدی برای بهبود دقت تشخیص مورد نیاز است.

دانشمندانی از دانشگاه فدرال بالتیک ایمانوئل کانت (کالینینگراد)، موسسه فعالیت عصبی عالی و نوروفیزیولوژی آکادمی علوم روسیه (مسکو) و دانشگاه پلی‌تکنیک شمال غربی (چین) پیشنهاد استفاده از یک خودرمزگذار تغییرات کنتراست، نوعی شبکه عصبی، را برای شناسایی تفاوت‌های عملکرد مغز در کودکان سالم و افراد مبتلا به اوتیسم ارائه داده‌اند. خودرمزگذار تغییرات کنتراست، الگوریتمی است که می‌تواند سیگنال‌ها را بر اساس ویژگی‌های آنها و تقریباً بدون هیچ آموزش خارجی طبقه‌بندی کند (می‌تواند روی یک مجموعه داده بسیار کوچک آموزش ببیند): به عنوان مثال، می‌تواند فعالیت انتقال تکانه عصبی بین قسمت‌های مختلف مغز را تشخیص دهد. به لطف این، خودرمزگذار می‌تواند ویژگی‌هایی را در یک مجموعه داده از فعالیت الکتریکی مغز شناسایی کند که به وضوح افراد مبتلا به اوتیسم را از افراد سالم متمایز می‌کند. با این حال، این امر مستلزم اصلاح چنین الگوریتم‌هایی برای کار با نمودارها، تجسم‌های ریاضی مجموعه داده‌های واقعی است، کاری که نویسندگان این اثر انجام داده‌اند.

نویسندگان، الکتروانسفالوگرام (EEG) را از ۲۹۸ کودک ۲ تا ۱۶ ساله ثبت کردند که نیمی از آنها (۱۴۹ نفر) سالم و نیمی دیگر مبتلا به اوتیسم تشخیص داده شده بودند. با استفاده از سوابق به دست آمده، خودرمزگذار تغییرات کنتراست، ارتباطات عملکردی بین قسمت‌های مختلف مغز را تجزیه و تحلیل کرد. ابتدا، نویسندگان حدود ۳۰٪ از مجموعه داده‌های آموزشی را به الگوریتم "نشان دادند": سوابق EEG و اطلاعات مربوط به اینکه آیا هر فردی که EEG او ثبت شده بیمار است یا خیر. در نتیجه، برنامه توانست رابطه‌ای بین مجموعه‌ای خاص از ارتباطات عملکردی در مغز و هنجار یا آسیب‌شناسی استخراج کند. سپس محققان الگوریتم را روی داده‌های باقی مانده آزمایش کردند. این آزمایش نشان داد که دقت تشخیص اوتیسم با استفاده از خودرمزگذار تغییرات کنتراست ۹۵٪ بود، و عملاً هیچ مثبت کاذبی وجود نداشت، به این معنی که الگوریتم کودکان سالم را به عنوان بیمار طبقه‌بندی نکرد. مورد دوم برای ایجاد سیستم‌هایی برای پشتیبانی از تصمیم‌گیری پزشکی بسیار مهم است.

«به طور کلی، ارتباطات عملکردی در مغز افراد سالم و افراد مبتلا به اوتیسم بسیار مشابه است. اما الگوریتمی که ما توسعه دادیم به طور خاص با هدف یافتن ویژگی‌های متمایز در گروهی از کودکان مبتلا به اوتیسم طراحی شده است، با توجه به اینکه شبکه‌های عملکردی کودکان سالم در هر دو گروه مشترک است. بنابراین، به ما این امکان را داد تا ویژگی‌هایی را پیدا کنیم که سایر الگوریتم‌های یادگیری ماشینی از قلم انداخته‌اند.» این گفته‌ی الکساندر خراموف، رئیس پروژه‌ای است که با کمک هزینه‌ی RSF پشتیبانی می‌شود. او دکترای علوم فیزیکی و ریاضی، استاد و محقق ارشد در مرکز فناوری عصبی و هوش مصنوعی بالتیک دانشگاه فدرال ایمانوئل کانت بالتیک است.

بیشترین تفاوت بین کودکان سالم و کودکان مبتلا به اوتیسم در ارتباطات عملکردی در لوب پیشانی مغز مشاهده شد: در اختلالات طیف اوتیسم، این ارتباطات ضعیف‌تر از حد معمول بودند. چنین تغییراتی می‌تواند تا حد زیادی با اختلالات رشدی سیستم عصبی مرتبط باشد. بنابراین، طبق تحقیقات، مغز انسان به طور متوالی از مناطق پس‌سری، گیجگاهی و آهیانه به لوب پیشانی که مسئول توانایی برنامه‌ریزی، تصمیم‌گیری، حافظه کاری و کنترل شناختی است، رشد می‌کند. بنابراین، کودکانی که اختلالات رشدی لوب پیشانی دارند، در این جنبه‌های رفتاری مشکل دارند.

الکساندر خراموف در پایان می‌گوید: «بر اساس داده‌های به‌دست‌آمده، پیشنهاد می‌کنیم هنگام تشخیص اختلالات طیف اوتیسم، به داده‌های EEG به‌دست‌آمده از لوب پیشانی توجه بیشتری شود. در آینده، رویکرد پیشنهادی مبتنی بر یادگیری ماشین ما به شناسایی اختلالات طیف اوتیسم در مراحل اولیه‌تر از آنچه در حال حاضر امکان‌پذیر است، کمک خواهد کرد. در این مورد، فقط به تشخیص‌های عملکردی ساده، مانند ثبت EEG کودکان در حالت آرام، نیاز خواهد بود. در آینده، ما قصد داریم روش‌ها و رویکرد‌های ریاضی مرتبط با تشخیص پزشکی سایر بیماری‌های مغزی را توسعه دهیم. ما همچنین به آزمایش رویکرد‌های پیشنهادی در تشخیص بیماران با همکاران نوروفیزیولوژیست خود از موسسه فعالیت عصبی عالی و نوروفیزیولوژی آکادمی علوم روسیه ادامه خواهیم داد.»

این مطالب توسط سرویس مطبوعاتی بنیاد علوم روسیه ارائه شده است