تشخيص افسردگي با كمك هوش مصنوعي
عصب‌شناسان شناختي با بهره‌گيري از ابررايانهي استمپيد (Stampede) در تلاش هستند تا ريسك ابتلا به افسردگي و اضطراب را به‌طور دقيق پيش‌بيني كنند. آن‌ها با استفاده از تكنيك يادگيري ماشين توانسته‌اند افراد مبتلا به اختلالات افسردگي را با دقت ۷۵ درصد تشخيص بدهند و طبقه‌بندي كنند. بهره‌برداري از استمپيد ۲ در اواخر سال ۲۰۱۷ مي‌تواند قدرت پردازش بيشتري در اختيار محققان قرار دهد تا در نهايت با استفاده از دادههاي بيشتر، دقت مطالعات خود را افزايش دهند.
افسردگي بيش از ۱۵ ميليون آمريكايي را درگير كرده كه برابر با ۶.۷ درصد جمعيت اين كشور است. افسردگي عامل اصلي ناتواني افراد بين ۱۵ تا ۴۴ ساله در ايالات متحده محسوب مي‌شود. آيا ممكن است روزي بتوانيم قبل از آغاز روند بيماري، تشخيص دهيم كه كسي استعداد ابتلا به افسردگي دارد يا خير؟
ديويد شينر، عصب‌شناس و پروفسور روان‌شناسي در دانشگاه تگزاس معتقد است كه روزي به چنين توانايي دست خواهيم يافت؛ اما شناسايي نشانه‌هاي آن به‌هيچ‌وجه كار راحتي نيست. او براي انجام اين كار از ابررايانهي استمپيد واقع در مركز محاسبات پيشرفته‌ي تگزاس (TACC) استفاده مي‌كند. شينر بر مبناي دادههاي به‌دست‌آمده از اسكن مغزي صدها بيمار، دادههاي ژنتيكي آن‌ها و ديگر فاكتورهاي مربوط سعي دارد يك الگوي يادگيري ماشين براي تشخيص اشتراكات بين داده‌ها توسعه دهد و به اين ترتيب به ابزاري دقيق براي پيش‌بيني ريسك ابتلا به افسردگي و اضطراب دست يابد. شينر مي‌گويد:
يكي از اشكالات مربوط به مطالعه‌ي حاضر، ماهيت توصيفي بودن آن است. شبكه‌‌ي مغزي شايد بين دو گروه متفاوت باشد؛ اما در مورد تعلق الگوهاي مشخص به گروه‌هاي مختلف، اطلاعاتي به ما نمي‌دهد. ما به دنبال يافتن معيارهاي تشخيصي هستيم كه به ما در پيش‌بيني زمينه‌ي ابتلا به افسردگي يا جنون كمك مي‌كند.
در سال ۲۰۱۷ ديويد شينر با همكاري پيتر كلاسن از يادگيريكده‌ي پزشكي دانشگاه واشنگتن، كريستوفر گونزالس از دانشگاه كاليفرنيا و كريستوفر بيورز از دانشگاه آستين موفق به تكميل مطالعه‌اي تحليلي شدند كه به‌وسيله‌ي آن توانستند افراد داراي اختلالات شديد افسردگي را با دقت ۷۵ درصد تشخيص دهند.
يادگيري ماشين يكي از شاخه‌هاي علوم رايانه است و در آن الگوريتم‌هايي توسعه داده مي‌شوند كه مي‌توانند بر مبناي ايجاد يك مدل از روي يك سري داده، يادگيري ببينند و سپس پيش‌بيني مستقلي براي يك سري داده‌ي جديد انجام دهند.
شينر و همكارانش از نوع خاصي از يادگيري ماشين با نام بردار همراه استفاده كرده‌اند. محققان گروهي از دادههاي يادگيريي را به رايانه مي‌دهند؛ داده‌هايي كه يا متعلق به افراد سالم يا افراد مبتلا به افسردگي هستند. شينر و تيمش ويژگي‌هايي را كه به انديشه متخصصينشان معني‌دار بودند و باعث ايجاد تفاوت در الگو‌ها مي‌شدند، برجسته كردند و سيستم را بر مبناي آن‌ها يادگيري دادند. سپس با اسكن داده‌ها توسط ابررايانه، ارتباطات ظريف بين قسمت‌هاي به‌ظاهر مجزا كشف شد و بر مبناي آن يك مدل توسعه داده شد كه براي مطالعه دادههاي جديد استفاده مي‌شود.
در اين مطالعه، دادههاي مغزي ۵۲ فرد مبتلا به افسردگي و تحت درمان و ۴۵ شخص سالم مورد تحليل و آناليز قرار گرفت. براي مقايسه‌ي بهتر، شينر تصميم گرفت جمعيت نمونه را به پنجاه عدد كاهش دهد كه در آن هر شخص بيمار متناظر با يك شخص سالم بود.
شركت‌كنندگان در اين تحقيق تحت اسكن MRI از نوع پخش وزني (DTI) قرار گرفتند. در اين نوع اسكن از مولكول‌هاي آب تصويربرداري مي‌شود و چگونگي پخش آن‌ها به‌صورت ميكروسكوپي در مغز و در طول زمان مورد مطالعه قرار مي‌گيرد. با اندازه‌گيري پخش اين مولكول‌ها در چند جهت فضايي، بردارهاي مربوط به هر وكسل (پيكسل‌هاي سه‌بعدي كه نشان‌دهنده‌ي ساختار يا فعاليت عصبي در سراسر مغز هستند) توليد مي‌شود و به‌تبع آن، وضعيت قرارگيري رشته‌هاي غالب به‌صورت كمّي بيان مي‌شود. اين اندازه‌گيري‌ها سپس به‌صورت شاخص‌هايي درمي‌آيند كه يكپارچگي مسيرهاي ماده‌ي سفيد در غشا‌ي مغزي را مشخص مي‌كنند.
يكي از فاكتورهاي معمول براي توصيف اسكن DTI، ناهمسانگردي كسري است؛ يعني ميزان پخش در يك راستا (ناهمسانگردي كسري بالا) يا ميزان پخش نامحدود (ناهمسانگردي كسري پايين).
محققان، اين ناهمسانگردي كسري بين دو گروه از شركت‌كنندگان را مقايسه كردند و به تفاوت‌هاي آماري مهمي پي بردند. سپس آن‌ها تعداد وكسل‌ها را كاهش دادند و تنها وكسل‌هاي مهم و مشخص را كه براي دسته‌بندي داده‌ها مهم هستند، برگزيدند و با استفاده از يادگيري ماشين، به طبقه‌بندي داده‌ها و توسعه‌ي روش‌هاي پيش‌بيني كننده دست زدند. شينر در اين زمينه مي‌گويد:
ما كل دادههاي مغزي را وارد سيستم كرديم و سپس به پيش‌بيني طبقه‌بندي بيماري‌ها يا هر فاكتور رفتاري كه نشانگر اطلاعات منفي باشد، پرداختيم.
در اين مطالعه، محققان دريافتند كه ناهمسانگردي كسري مربوط به DTI، يك معيار عالي براي طبقه‌بندي افراد افسرده يا با استعداد ابتلا به افسردگي در مقابل افراد سالم است. آن‌ها همچنين نشان دادند اطلاعاتي كه مبنايي براي پيش‌بيني هستند، به‌جاي تمركز در يك ناحيه‌ي مشخص از مغز در سرتاسر آن پخش شده‌اند. بيورز كه پرفسور روان‌شناسي و مدير مركز تحقيقات سلامت رواني دانشگاه تگزاس نيز هست، در اين باره مي‌گويد:
نه‌تنها ما مي‌توانيم بر اساس دادههاي DTI افراد افسرده از افراد سالم را تشخيص دهيم؛ بلكه به كمك اين تحقيق مي‌توانيم بفهميم كه در اثر افسردگي در مغز چه اتفاقي مي‌افتد. ما فهميديم در اثر افسردگي به‌جاي ايجاد اختلال در يك ناحيه‌ي محدود از مغز، تغييراتي در ارتباطات عصبي در سرتاسر مغز ايجاد مي‌شود و همين موضوع را ملاك تشخيص افراد سالم از بيماران افسرده قرار داديم.
ابعاد و پيچيدگي موضوع مورد مطالعه به حدي بود كه استفاده از روش يادگيري ماشين را گريزناپذير مي‌كرد. هر اسكن مغزي از ۱۷۵ هزار وكسل تشكيل مي‌شود و درك روابط پيچيده‌ي بين آن‌ها تنها از روي نگاه كردن به اسكن‌ها غير ممكن است. به همين دليل تيم شينر تصميم گرفت با استفاده از يادگيري ماشين عمل كشف روابط بين وكسل‌ها را به‌صورت اتوماتيك در آورد. شينر معتقد است:
اين روش متعلق به آينده است. ما هرروزه تحقيقات و كنفرانس‌هاي بيشتري مي‌بينيم كه با اتكا به يادگيري ماشين به مطالعه مسائل پيچيده مي‌پردازند.
نتيجه اين مطالعه اميدواركننده است؛ اما به حدي دقيق نيست كه بتوان متخصصد باليني براي آن متصور شد. اما شينر معتقد است كه با اضافه كردن دادههاي بيشتر از اسكن‌هاي مغزي و دادههاي ژنتيكي و ديگر انواع دادههاي موجود، مي‌توان عملكرد سيستم و قابليت اطمينان آن را بهبود بخشيد. بيورز در اين باره مي‌گويد:
يكي از نكات مثبت استفاده از يادگيري ماشين به‌جاي روش‌هاي سنتي اين است كه مي‌توانيم مطالعات خود را روي گروه جديدي از دادههاي مستقل اعمال كنيم؛ يعني آن را به دادههاي جديدتر تعميم دهيم. اما اين‌كه نتايج حاصل از انجام اين كار تا چه حد قابل اطمينان خواهد بود، سؤالي است كه ما بايد در مطالعات آينده به دنبال جواب آن باشيم.
بيورز و شينر در آينده در تحقيق خود از دادههاي مربوط به صدها فرد بومي تگزاس كه مبتلا به افسردگي، اضطراب و ديگر شرايط مشابه هستند، استفاده خواهند كرد. همچنين با بهره‌برداري از ابررايانهي استمپيد ۲ در مركز محاسبات پيشرفته‌ي تگزاس در اواخر سال ۲۰۱۷ كه قدرت آن دو برابر استمپيد ۱ است، ميزان قدرت پردازش اطلاعات مربوط به سري دادههاي جديد و در نتيجه دقت سيستم بيشتر خواهد شد. شينر در اين ارتباط مي‌گويد:
استفاده از اين روش و همچنين افزايش اقبال به محيط علمي بدون مرز و دسترسي به پايگاه داده‌ها در قالب پروژه‌هايي همچون Human Connectome نياز به مراكزي همچون TACC را بيش از پيش مي‌كند. شما ديگر نمي‌توانيد با استفاده از رايانه‌ي خانگي خود كار زيادي انجام دهيد. داشتن ارتباط تنگاتنگ با مراكز رايانه‌اي پيشرفته در انجام مطالعات آينده بسيار حياتي خواهد بود.
هم انديشي ها