بزرگنمايي:

پیام فارس - زومیت / دانشمندان کره جنوبی در روشی جدید و غیر تهاجمی که دقت بالایی نیز دارد، اختلال ADHD را تنها با یک تصویر از چشم و هوش مصنوعی تشخیص می‌دهند.
تشخیص دقیق اختلال کم‌توجهی بیش‌فعالی (ADHD) برای ایجاد شفافیت و حمایت مناسب از افرادی که به آن نیاز دارند، اهمیت بسیاری دارد؛ اما روش‌های تشخیص فعلی این اختلال، وقت‌گیر و متناقض هستند. مطالعه‌ای جدید نشان می‌دهد که هوش مصنوعی می‌تواند در این زمینه کمک‌کننده باشد.
پژوهشگران در کره جنوبی مدل‌های یادگیری ماشین را آموزش دادند تا ویژگی‌های موجود در تصاویر فوندوس چشم (بخش پشتی چشم) را با تشخیص حرفه‌ای ADHD مرتبط کنند. از میان چهار مدل یادگیری ماشین که در مطالعه آزمایش شدند، بهترین مدل توانست تنها بر اساس تحلیل تصویر، با دقت 96٫9 درصد ADHD را پیش‌بینی کند.
بازار
تیم تحقیق دریافت که تراکم بیشتر رگ‌های خونی، شکل و پهنای آن‌ها، و برخی تغییرات در دیسک بینایی چشم از نشانه‌های کلیدی ابتلا به اختلال هستند.
از سال‌ها پیش این فرض مطرح شده که تغییرات در اتصال‌های مغزی مرتبط با ADHD ممکن است در چشم نیز نمایان شود. اگر بتوانیم بفهمیم باید به دنبال چه چیزی باشیم، این روش می‌تواند راهی سریع‌تر و مطمئن‌تر برای شناسایی اختلال ADHD باشد.
پژوهشگران به رهبری تیمی از دانشکده پزشکی دانشگاه «یانسه» در مقاله منتشر شده خود نوشتند: «بررسی عکس‌های فوندوس شبکیه نشان می‌دهد که می‌توان از آن‌ها به‌عنوان روشی غیرتهاجمی برای تشخیص زودهنگام ADHD و ارزیابی میزان مشکلات در تمرکز بصری استفاده کرد.» این روش بر روی 323 کودک و نوجوان که قبلاً مبتلا به ADHD تشخیص داده شده بودند و 323 نفر دیگر بدون تشخیص ADHD که از لحاظ سن و جنسیت با گروه اول مطابقت داشتند، آزمایش شد.
پژوهشگران دریافتند که سیستم هوش مصنوعی در پیش‌بینی ADHD در چندین معیار امتیاز بالایی کسب کرد. همچنین این سیستم در شناسایی برخی از ویژگی‌های اختلال، از جمله اختلال در توجه انتخابی دیداری، عملکرد خوبی داشت.
در سال‌های اخیر، چندین تکنیک یادگیری ماشین برای غربال‌گری ADHD مورد بررسی قرار گرفته‌اند؛ از تحلیل اسکن‌های جایگزین چشم گرفته تا آزمون‌های رفتاری، اما روش جدید چند ویژگی برجسته دارد؛ اگرچه از نظر نمرات خام دقیق‌ترین روش نیست، اما بسیار به آن نزدیک است، سریع اجرا و به‌راحتی ارزیابی می‌شود و مقیاس‌پذیری بالایی دارد.
برتری تشخیص هوش مصنوعی نسبت به سایر راهکارها وابستگی صرف به داده‌های یک منبع است
پژوهشگران نوشتند: «قابل توجه است که مدل‌های پیشین با دقت بالا معمولاً به مجموعه‌ای متنوع از متغیرها متکی بودند که هر کدام به طور تدریجی در تمایز افراد نقش داشتند. روش ما تحلیل را با تمرکز انحصاری بر عکس‌های شبکیه ساده می‌کند. این راهبرد داده‌‌های تک‌منبعی، وضوح و کارایی مدل‌های ما را افزایش می‌دهد».
گام بعدی، آزمایش روش هوش مصنوعی بر گروه‌های بزرگ‌تر و دامنه‌های سنی گسترده‌تر است. میانگین سنی شرکت‌کنندگان در مطالعه 9٫5 سال بود و می‌دانیم که ADHD در بزرگسالان می‌تواند به‌طور متفاوتی بروز کند.
همچنین جایی برای گسترش دامنه سیستم وجود دارد: به‌عنوان مثال، افراد دارای اختلال طیف «اوتیسم» از بخش اصلی مطالعه کنار گذاشته شدند، اما آزمایش‌های بعدی نشان داد که هوش مصنوعی در تمایز بین اوتیسم و ADHD چندان موفق نیست.
برآوردهای اخیر نشان می‌دهد که حدود یک نفر از هر 20 نفر به ADHD مبتلا است، که می‌تواند شامل مشکلاتی در توجه، تکانش‌ها و بیش‌فعالی باشد؛ بدین معنی که افراد زیادی هستند که تشخیص سریع‌تر و دقیق‌تر می‌تواند در زندگی آن‌ها تفاوت ایجاد کند.
پژوهشگران نوشتند: «غربال‌گری زودهنگام و مداخله به‌موقع می‌تواند عملکرد اجتماعی، خانوادگی و تحصیلی افراد مبتلا به ADHD را بهبود بخشد.»
تحقیق در نشریه npj Digital Medicine منتشر شده است.