مهر: دانشمندان در کالج یونسی به‌واسطه تجزیه و تحلیل تصاویر شبکیه که با الگوریتم هوش مصنوعی بررسی می‌شود، روش نوینی را برای شناسایی اختلال طیف اوتیسم (ASD) و اندازه‌گیری شدت آن در کودکان ایجاد کرده‌اند.
این تیم تحقیقاتی با ثبت تصاویری از شبکیه چشم کودکان و استفاده از تکنیک‌های هوش مصنوعی یادگیری عمیق، موفق به تشخیص اوتیسم با دقت ۱۰۰ درصد گشته‌اند.
نتایج این مطالعه نشان می‌دهد که بهره‌گیری از هوش مصنوعی به‌عنوان ابزاری برای رصد و شناسایی زودهنگام بیماری، به‌ویژه در شرایطی که دسترسی به متخصصین کودک محدود باشد، بسیار کارآمد خواهد بود.
در بخش پشت چشم، شبکه و اعصاب بینایی به‌صورت همگرا متصل می‌شوند و به‌این‌ترتیب، این ناحیه که ادامه‌ای از سیستم عصبی مرکزی به شمار می‌رود، به منزله‌ای پنجره‌ای به درون مغز انسان عمل می‌کند. دانشمندان بر توانایی خود در دسترسی سریع و غیرفشاری به این قسمت از بدن و استخراج اطلاعات کلیدی مرتبط با مغز تمرکز کرده‌اند.
به تازگی، پژوهشگران انگلیسی ابزارهایی غیرفشاری را برای تشخیص سریع آسیب به وجود آورده‌اند که برای این منظور، یک نور لیزر ایمن بر شبکیه تابانده می‌شود. هم‌اکنون، دانشمندان کالج یونسی در کره جنوبی به توسعه راهکاری برای شناسایی اختلال طیف اوتیسم (ASD) و ارزیابی شدت آن در کودکان پرداخته‌اند، با بهره‌گیری از تصاویری که با الگوریتم هوش مصنوعی تجزیه و تحلیل می‌شوند.
این محققان ۹۵۸ نفر از شرکت‌کنندگان با میانگین سنی ۷.۸ سال را جذب کرده و تصاویری از شبکیه آن‌ها را ثبت نمودند که در کل به ۱۸۹۰ تصویر رسیدند. نیمی از این کودکان پیش‌تر مبتلا به ASD تشخیص داده شده بودند و دیگر نیمه شامل گروه کنترل می‌شدند. شدت علائم این بیماری با بهره‌گیری از «برنامه مشاهده تشخیصی اوتیسم» (Autism Diagnostic Observation Schedule) مورد ارزیابی قرار گرفت.
یک الگوریتم یادگیری عمیق بر اساس ۸۵ درصد تصاویر شبکیه و نتایج تست‌های مربوط به شدت علائم آموزش دید تا مدل‌هایی برای ارزیابی ASD و شدت علائم آن ایجاد کند. آن ۱۵ درصد از تصاویر باقی‌مانده نیز به منظور انجام آزمایش دوباره مورد استفاده قرار گرفتند.
دانشمندان در این خصوص بیان می‌کنند: مدل‌های عملکردی نویدبخش قادر به تفکیک ASD و TD (کودکان با رشد طبیعی) با استفاده از تصاویر معمولی بوده‌اند که این امر نشان‌دهنده احتمال استفاده از تغییرات موجود در شبکیه به‌عنوان نشانگر زیستی متاثرکننده در افراد مبتلا به ASD است. یافته‌های ما همچنین تداعی می‌کند که تصاویر شبکیه ممکن است اطلاعات بیشتری درباره شدت علائم ارائه دهند.
با اینکه مطالعات بیشتری در این عرصه ضرورت دارد، اما تحقیقات انجام‌شده گامی اساسی در راستای توسعه ابزارهای تشخیصی برای ASD محسوب می‌شود و در مواجهه با چالش‌هایی چون کمبود دسترسی به متخصصین کودک مفید واقع خواهد شد.