سایر زبان ها

صفحه نخست

سیاسی

بین‌الملل

ورزشی

اجتماعی

اقتصادی

فرهنگی هنری

علمی پزشکی

فیلم و صوت

عکس

استان ها

شهروند خبرنگار

وب‌گردی

سایر بخش‌ها

هوش مصنوعی می تواند سالها قبل از بروز علائم، آلزایمر را تشخیص دهد

دانشمندان کمبریج توانستند با استفاده از هوش مصنوعی علام زوال عقل را پیش از بروز نشانه های اولیه تشخیص بدهند.

به گزارش خبرنگار حوزه دریچه فناوری گروه فضای مجازی باشگاه خبرنگاران جوان، به نقل از کمبریج؛ محققان دانشگاه کمبریج می گویند هوش مصنوعی می تواند علائم اولیه زوال عقل را با یک اسکن ساده مغز ، مدت ها قبل از ظاهر شدن علائم اصلی  و در برخی موارد قبل از ظاهر شدن علائم  تشخیص دهد. مشخصه دمانس‌ها تجمع انواع مختلف پروتئین در مغز است که به بافت مغز آسیب می‌رساند و منجر به زوال شناختی می‌شود. در مورد بیماری آلزایمر، این پروتئین‌ها شامل بتا آمیلوئید‌هایی هستند که پلاک‌ها را تشکیل می‌دهند و بین نورون‌ها جمع شده و بر عملکرد آن‌ها تأثیر می‌گذارند.

تغییرات مولکولی و سلولی در مغز معمولاً سال‌ها قبل از بروز هرگونه علامتی شروع می‌شود. تشخیص زوال عقل ممکن است ماه‌ها یا حتی سال‌ها طول بکشد. برای تشخیص این مشکل معمولاً به دو یا سه ویزیت بیمارستانی نیاز است و می‌تواند طیف وسیعی از اسکن‌های CT، PET و MRI و همچنین سوراخ‌های چوبی تهاجمی را شامل شود.


بیشتر بخوانید


تشخیص آلزایمر به کمک الگوریتم یادگیری ماشینی

تیمی به سرپرستی پروفسور Zoe Kourtzi در دانشگاه کمبریج و موسسه آلن تورینگ ابزار‌های یادگیری ماشینی را توسعه داده اند که می‌تواند زوال عقل را در مراحل اولیه تشخیص دهد. الگوریتم یادگیری ماشینی با استفاده از اسکن مغزی بیمارانی که به آلزایمر مبتلا شده اند، می‌تواند تغییرات ساختاری مغز را تشخیص دهد. این الگوریتم وقتی با نتایج آزمایشات استاندارد حافظه ترکیب شد، توانست نمره پیش آگهی یعنی احتمال ابتلای فرد به بیماری آلزایمر را ارائه دهد.

برای بیمارانی که دارای اختلال شناختی خفیف هستند (علائم از دست دادن حافظه یا مشکلات در زبان یا درک بصری/مکانی)، این الگوریتم بیش از ۸۰ درصد دقیق بود. همچنین توانست پیش بینی کند که سرعت شناخت آن‌ها در طول زمان چگونه کاهش می‌یابد.

پروفسور کورتزی، از گروه روانشناسی کمبریج در این باره می‌گوید: "ما الگوریتم‌های یادگیری ماشین را توسعه داده ایم تا علائم اولیه زوال عقل را فقط با جستجوی الگو‌های از بین رفتن ماده خاکستری در مغز تشخیص دهیم. وقتی این امر را با تست‌های استاندارد حافظه ترکیب کنیم، می‌توانیم پیش بینی کنیم که آیا فرد می‌تواند سریعا خودش را بشناسد یا خیر. ما حتی توانسته ایم برخی از بیمارانی را که هنوز هیچ علائمی از خود نشان نداده اند، اما به آلزایمر مبتلا شده اند را نیز شناسایی کنیم. "

پروفسور زویی کورتزی، گروه روانشناسی گفت: " ما امیدواریم بتوانیم بیماران را در پنج تا ده سال قبل از اینکه علائم را به عنوان بخشی از معاینه سلامت نشان دهند، شناسایی کنیم. "

اگرچه این الگوریتم برای یافتن علائم بیماری آلزایمر بهینه شده، اما پروفسور کورتزی و همکارانش در حال آموزش این الکوریتم هستند تا انواع مختلف زوال عقل را تشخیص دهد که هرکدام الگوی مشخص خود را برای کاهش حجم دارند.

دکتر تیموتی ریتمن از دپارتمان علوم اعصاب بالینی در حال حاضر یک آزمایش را برای بررسی اینکه آیا این روش در زمینه بالینی مفید است یا خیر، هدایت می‌کند. دکتر ریتمن توضیح داد: "ما نشان دادیم که این رویکرد در یک محیط تحقیقاتی کار می‌کند و اکنون باید آن را در دنیای واقعی هم آزمایش کنیم. "

تا به امروز حدود ۸۰ بیمار در این آزمایش شرکت کردند که توسط CUH، Cambridgeshire و Peterborough NHS Foundation Trust و دو تراست NHS در برایتون اجرا شد.

به گفته دکتر ریتمن، تشخیص زودهنگام زوال عقل به دلایل مختلف بسیار مهم است. او در ادامه گفت: "وقتی بیماران شروع به تجربه زوال حافظه و مشکلات شناختی می‌کنند، این زمان قابل درک است که می‌تواند زمان بسیار سختی باشد. توانایی تشخیص دقیق بیماری می‌تواند ذهن بیماران را راحت کند یا به آن‌ها و عزیزانشان کمک کند تا آمادگی لازم برای مواجهه با بیماری را داشته باشند."

در حال حاضر دارو‌های بسیار کمی برای کمک به درمان زوال عقل وجود دارد. تصور می‌شود که یکی از دلایلی که کارآزمایی‌های بالینی اغلب شکست می‌خورند این است که هنگامی که بیمار علائم را نشان داد، ممکن است برای ایجاد تغییرات عمده دیر باشد؛ بنابراین توانایی شناسایی افراد در مراحل اولیه می‌تواند به محققان در تولید دارو‌های جدید کمک کند.

گفتنی است که محققان اعلام کردند در صورت موفقیت آمیز بودن آزمایش، این الگوریتم می‌تواند برای هزاران بیمار دیگر در سراسر دنیا اجرایی شود.

گزارش از مائده زمان فشمی

انتهای پیام/

تبادل نظر
آدرس ایمیل خود را با فرمت مناسب وارد نمایید.