اوتیسم یک اختلال ذهنی-رفتاری مادرزادی است که علی رغم تلاش های فراوان دانشمندان تا کنون، تشخیص احتمال بروز این بیماری در کودکان قبل از ظهور علائم، تقریباً غیر ممکن بوده است.
حالا محققان با استفاده از اسکن مغزی نوزادانی که حداقل یک خواهر یا برادر مبتلا به اوتیسم دارند، و پردازش تصاویر از طریق یک الگوریتم یادگیری ماشینی، توانسته اند با دقت خوبی احتمال ابتلای نوزادانی با سن 6 ماه را به اوتیسم پیش بینی کنند. این دستاورد باعث می شود خانواده ها بتوانند مراحل درمان کودکان خود را زودتر از گذشته و با تاثیرگذاری بیشتری آغاز کنند.
پژوهش مذکور توسط دانشگاه های واشنگتن و کارولینای شمالی انجام شده و طی آن، 59 نوزاد 6 ماهه که احتمال ابتلا به اوتیسم در آنها بالا بود، برای مشاهده نحوه ارتباط و تعامل بخش های مختلف مغز، مورد مطالعه قرار گرفتند. 11 نفر از این کودکان پس از رسیدن به سن 2 سالگی به اوتیسم مبتلا شدند و محققان نیز بار دیگر مغز این کودکان را اسکن نمودند.
تصاویر ثبت شده سپس توسط هوش مصنوعی، و از طریق الگوریتم خودیادگیرنده ای که مسیرهای ارتباط مغزی متفاوت، میان کودکان بیمار و سالم را تشخیص می دهد، مورد بررسی قرار گرفتند. دانشمندان موفق شدند پس از این مرحله با بهره گیری از یادگیری عمیق، مدلی را برای پیش بینی احتمال ابتلا به اوتیسم در کودکان 6 ماهه توسعه دهند.
دانشمندان موفق شدند 974 ارتباط مغزی مربوط به اوتیسم را کشف کنند
دانشمندان حالا قادرند با بررسی ارتباطات مغزی، اوتیسم را در سنین پایین تر و با دقت بیشتری تشخیص دهند و توانستند طی پژوهش، 974 ارتباط مربوط به اوتیسم را کشف کنند. آنها با استفاده از روش مذکور موفق شدند 9 مورد از 11 مورد ابتلا به اوتیسم را به درستی پیش بینی کرده و جالب اینکه الگوریتم استفاده شده، حتی یک کودک سالم را نیز به اشتباه در گروه مبتلایان احتمالی به اوتیسم قرار نداد.
لازم به ذکر است که بیماری اوتیسم ساختار طیفی داشته و مبتلایان به آن علائم مختلفی از رفتارهای گوشه گیرانه ساده، تا علائم خطرناکی که زندگی فرد را تحت شعاع قرار می دهند، از خود بروز می دهند. همین امر بر اهمیت روش جدید می افزاید چرا که متد مورد بحث نه تنها احتمال بروز اوتیسم را پیش بینی می کند، بلکه شدت آن را نیز با دقت قابل قبولی تخمین می زند.
البته پژوهش دانشگاه های واشنگتن و کارولینای شمالی هنوز در مراحل ابتدایی خود قرار دارد و برای استفاده در شرایط واقعی، نتایج آن باید چندین بار دیگر با موفقیت تکرار شوند.