تعیین سن مغز انسان با استفاده از هوش مصنوعی

سن مغز انسان

ماشین یادگیری عمیق با استفاده از اسکن‌های MRI می‌تواند سن مغز انسان را تعیین کند. با پروگرمینگ همراه باشید.

توانایی‌های شناختی انسان با افزایش سن کاهش می‌یابند. دانشمندان علوم اعصاب از مدت‌ها پیش می‌دانند که کاهش این توانایی‌ها با تغییرات آناتومی مغز ارتباط دارد؛ بنابراین، اینکه بر مبنای عکس‌های MRI بتوان نشانه‌های پیری مغز را پیدا کنیم و اینکه حتی بتوانیم «سن مغز» را تعیین کنیم، جای تعجب ندارد. تفاوت بین سن مغز و سن تقویمی شخص می‌تواند به ما در کشف بروز مشکلاتی مانند زوال عقل کمک کند.

اما در این میان مشکلی وجود دارد؛ واقعیت این است که آنالیز سن مغز فرایند بسیار وقت‌گیری است، چون داده‌های به‌دست‌آمده از MRI باید مورد پردازش قرار گیرند تا در ادامه بتوانیم در مورد سن مغز اظهار نظر قابل اتکایی داشته باشیم. این پردازش شامل حذف بافت‌های غیرمغزی موجود در تصویر بالا است؛ بافت‌هایی مانند جمجمه؛ دسته‌بندی ماده‌ی سفید مغز؛ ماده‌ی خاکستری مغز. ضمن آنکه حذف ایرادات خود عکس نیز از طریق تکنیک‌های حذف نویز و هموارسازی داده‌ها انجام می‌شود.

پردازش این حجم از داده‌ می‌تواند ۲۴ ساعت به طول انجامد؛ بنابراین موضوع فوق برای پزشکانی که درصدد در نظر گرفتن سن مغز یک بیمار در تشخیص بالینی خود هستند، تبدیل به یک مشکل قابل توجه می‌شود.

اما امروزه به لطف زحمات جیووانی مونتانا و همکارانش در کالج کینگز لندن، شرایط تغییر کرده است. این تیم تحقیقاتی با طراحی یک ماشین با قابلیت یادگیری عمیق، توانسته‌اند زمان پردازش اطلاعات خام حاصل از MRI را کاهش دهند. تکنیک یادگیری عمیق پزشکان را قادر می‌کند سن مغز را در عرض چند ثانیه و زمانی  که بیمار هنوز داخل اسکنر است، به‌صورت دقیق تعیین کنند.

یادگیری عمیق یا یادگیری سلسله‌مراتبی، زیرشاخه‌ای از یادگیری ماشینی و بر مبنای مجموعه‌ای از الگوریتم‌ها است؛ این روش یک تکنیک استاندارد برای یادگیری عمیق است. مونتانا به همراه همکارانش از ۲۰۰۰ شخص سالم ۱۸ تا ۹۰ ساله MRI مغزی گرفتند. این اشخاص هیچ‌گونه مشکل مغزی نداشتند، بنابراین سن مغزی و سن تقویمی آن‌ها با هم منطبق بود. این اسکن‌ها از نوع استاندارد T1-wieghted MRI بودند که توسط مدرن‌ترین دستگاه‌های MRI انجام شدند. نتیجه‌ی هر اسکن حاوی برچسبی بود که سن تقویمی شخص روی آن نوشته شده بود.

این تیم تحقیقاتی با استفاده از ۸۰ درصد عکس‌ها، نوعی از شبکه‌ی پیچیده‌ی عصبی برای تعیین سن اشخاص طراحی کرد؛ اعضای تیم با استفاده از ۲۰۰ عکس دیگر به راستی‌آزمایی این فرآیند پرداختند. در نهایت، با استفاده از ۲۰۰ عکس استفاده‌نشده، محققان تعیین کردند که این شبکه تا چه اندازه‌ در تعیین سن مغزی افراد خوب عمل می‌کند.

هم‌زمان، تیم تحقیقاتی تصمیم گرفت روش یادگیری عمیق را با روش‌های مرسوم تعیین سن مغز مقایسه کند. برای این کار به پردازش گسترده‌ی اطلاعات برای شناسایی ماده‌ی سفید مغز و ماده‌ی خاکستری مغز نیاز بود. همچنین در ادامه باید از یک روش تحلیل آماری به نام رگرسیون فرآیند گاوسی (GPRR) استفاده می‌شد.

نتایج حاصل از انجام این کار جالب بود؛ هر دو روش یادگیری عمیق و GPR توانستند سن تقویمی اشخاص را با استفاده از پردازش داده‌های پیش‌پردازش شده MRI با دقت تعیین کنند. هر دو روش، این کار را با خطای کمتر از ۵ سال انجام دادند. با این حال روش یادگیری عمیق، برتری خود بر روش GPR را در پردازش داده‌ها‌ی خام MRI نشان داد. میانگین خطای این روش مانند حالت قبلی و در حدود ۴.۶۶ سال بود. این رقم در حالی مطرح می‌شد که روش استاندارد GPR عملکرد ضعیفی داشت و میانگین خطای آن در تشخیص سن افراد ۱۲ سال بود.

علاوه بر این؛ آنالیز داده‌ها توسط یادگیری عمیق تنها چند ثانیه زمان می‌برد، در حالی که زمان صرف شده برای پیش‌پردازش داده‌ها‌ی مورد نیاز روش استاندارد، ۲۴ ساعت است. تنها پردازش مورد نیاز ماشین یادگیری عمیق، حصول اطمینان از همسانی موقعیت عکس‌ها و فواصل سه‌بعدی بین آن‌ها است. این روش تأثیر قابل ملاحظه‌ای بر کارکرد پزشکان خواهد گذاشت. مونتانا و همکاران وی در مقاله‌ی خود چنین آورده‌اند:

با استفاده‌‌ی درست از نرم‌افزار، داده‌های تشخیص سن مغزی را می‌توان زمانی که هنوز بیمار داخل دستگاه اسکنر است، به دست آورد.
تیم تحقیقاتی همچنین از عکس‌های گرفته‌شده از دستگاه‌های مختلف MRI در تحقیق خود استفاده کرده‌اند تا نشان دهند این روش را می‌توان برای دستگاه‌های گوناگون در سراسر جهان استفاده کرد. آن‌ها همچنین سن مغزی دوقلو‌ها را با هم مقایسه کردند تا نقش فاکتور‌های ژنتیکی در پیری مغز را بسنجند. نکته‌ی جالب این است که ارتباط بین سن‌ مغزی دوقلوها با گذشت زمان کم می‌شود؛ به این معنی که فاکتورهای محیطی نقش مهم‌تری در روند پیری مغز ایفا می‌کنند. بنابراین می‌توان گفت تحقیقات این تیم منجر به گشایش مسیر‌های جدید برای مطالعات آتی شده است.

نتایج به‌دست‌آمده از کارهای مونتانا و همکارانش بسیار مهم هستند و می‌توانند پروسه‌ی تشخیص شرایط مغزی یک بیمار را برای بالین‌شناسان آسان‌تر از قبل کنند. شواهد قابل توجهی وجود دارد که دیابت، شیزوفرنی و جراحات مغزی با پیری سریع‌تر مغز در ارتباط هستند. بنابراین داشتن روشی برای تعیین سریع و دقیق سن مغز، در آینده می‌تواند به پزشکان در نحوه‌ی برخورد با این شرایط پزشکی کمک شایانی کند. مونتانا و همکاران وی در این مورد چنین توضیح داده‌اند:

سن پیش‌بینی‌شده‌ی مغزی، نشان‌گر یک ژنوتیپ دقیق، قابل اطمینان و از لحاظ ژنتیکی معتبر است و پتانسیل این را دارد که به‌عنوان معیاری برای تشخیص «پیری مغز» به کار رود.

با پروگرمینگ همراه باشید…

برچسب ها: AI, Artificial Intelligence, deep learning, machine learning, MRI, pgming, پروگرمینگ, تعیین سن مغز انسان, سن مغز انسان, مغز, مغز انسان, هوش مصنوعی,

« تبلیغات »

« تبلیغات »

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد.

کد امنیتی *