رمزگشایی فعالیت‌های مغزی برای انسان بسیار پیچیده و دشوار است. اما شاید هوش مصنوعی بتواند مغز ما را رمزگشایی کند. با رمزگشایی فعالیت‌های مغزی می‌توان اختلالات روانی را تشخیص داد و درمان کرد. با مجله فناوری‌های توان‌افزا و پوشیدنی همراه باشید.

دانشمندان علوم انسانی امیدوارند یادگیری ماشین بتواند به تشخیص و درمان اختلالات روانی کمک کند

تا امروز روانپزشکان نمی‌توانستند یک بیمار را در دستگاه fMRI قرار داده و تعیین کنند آیا او اختلالی روانی همچون اسکیزوفرنی دارد یا خیر. آنها می‌بایست به مکالمات بالینی با بیمار که بدون شک ارزش زیادی دارد، تکیه کنند. اما یک رویکرد تشخیصی مبتنی بر ماشین می‌تواند بین انواع بیماری‌ها تفاوت قائل شود، که بدون شک پیامدهایی برای درمان دارد. Bandettini از NIMH عقیده دارد دانشمندان علوم انسانی برای حل این مسئله باید بتوانند به پایگاه‌های گسترده اسکن fMRI از ۱۰۰۰۰ نفر دسترسی داشته باشند.

برنامه‌های یادگیری ماشین می‌توانند این مجموعه داده‌ها را برای استخراج الگوهای اختلالات روانی جست و جو کنند و آموزش ببینند. سپس می‌توان یک فرد را در اسکنر قرار داد و گفت بر اساس علائمی که توسط پایگاه داده ۱۰،۰۰۰ نفری تولید شده است، فرد مبتلا به اسکیزوفرنی است.

Dan Yamins عصب شناس MIT می‌گوید: «با درک کافی از کار شبکه‌های مغزی، طراحی انواع پیچیده‌تر مداخلات برای حل مشکلات مغزی امکان‌پذیر می‌باشد. مداخلاتی همچون یک ایمپلنت مغزی که آلزایمر یا پارکینسون را اصلاح می‌کند».

یادگیری ماشین همچنین می‌تواند به روانپزشکان کمک کند پیش‌بینی کنند چگونه مغز یک فرد بیمار به درمان دارویی پاسخ می‌دهد. Yamins می‌گوید: «در حال حاضر روان پزشکان باید حدس بزنند کدام دارو احتمالاً مؤثر است. چرا که ما تصویری قوی از آنچه در مغز اتفاق می‌افتد، نداریم».

یاگیری ماشین می‌تواند تشنج‌های صرعی را پیش بینی کند

بیماران مبتلا به صرع هرگز نمی‌دانند که تشنج چه زمانی رخ می‌دهد. Christian Meisel، دانشمند عصب شناس در مؤسسه ملی بهداشت، می‌گوید: «این یک اختلال بزرگ در زندگی است. حالت ایده آل این است که اینگونه افراد یک سامانه هشدار دهنده داشته باشند».

گزینه‌های درمان صرع نیز مناسب نیستند. برخی از بیماران داروهای ضد انسداد مصرف می‌کنند اما این داروها عوارض جانبی جدی دارند. و برای حدود ۲۰ تا ۳۰ درصد از بیماران هیچ داروئی وجود ندارد.

پیش بینی می‌تواند بازی را تغییر دهد

اگر فرد مبتلا به صرع از یک تشنج قریب الوقوع خبر داشته باشد دست کم می‌تواند خود را به محل امنی برساند. همچنین پیش بینی تشنج می‌تواند گزینه‌های درمان را تغییر دهد: پس از پیش‌بینی، یک دستگاه می‌تواند داروی صرع را بیمار بدهد یا یک سیگنال الکتریکی برای جلوگیری از تشنج ارسال کند.

Meisel الکتروانسفالوگرام (EEG) مربوط به یک بیمار مبتلا به صرع را به اشتراک گذاشته است. اما سوال این است که این تصویر فعالیت مغز یک ساعت پیش از تشنج است یا بیشتر از چهار ساعت؟ Meisel می‌گوید، برای یک پزشک پیش بینی تشنج اگر غیر ممکن نباشد، بسیار سخت خواهد بود.

اطلاعاتی در مورد تشنج‌های آینده ممکن است در سیگنال‌های مغزی وجود داشته باشد. آزمایشگاه Meisel برای بررسی این احتمال، اخیراً در یک رقابت به میزبانی Kaggle، یک انجمن داده در وب شرکت کرده است. Kaggle EEG مربوط به سه بیمار مبتلا به صرع را برای ماه‌ها و سال‌ها ضبط کرده است. Meisel از یادگیری عمیق برای تجزیه و تحلیل داده‌ها و جستجوی الگوها استفاده کرد.

Meisel می‌گوید: «اگر شما یک سامانه کامل داشته باشید که همه چیز را پیش بینی کند، نمره ۱ را بدست آوردید. اگر یک سامانه تصادفی داشته باشید امتیاز ۰٫۵ را دارید. ما در حال حاضر نمره ۰٫۸ را دریافت می‌کنیم. این بدان معنی است که ما پیش بینی کاملی نداریم. اما خیلی بهتر از حالت تصادفی هستیم. این به نظر عالی است، اما این رویکرد هم اکنون بیشتر نظری است تا عملی. برای بیمارانی که در اینجا از آنها یاد شد از یک روش تهاجمی برای ثبت EEG استفاده شده است.

Meisel یک نظریه پرداز مغز و اعصاب است، مدل‌ها طرح شده وی برای چگونگی تشخیص تشنج‌های صرعی از فعالیت‌های کوچک عصبی تا طوفان‌های کلی ناتوان کننده را دربرمی‌گیرد. او می‌گوید یادگیری ماشین در حال تبدیل شدن به یک ابزار مفید برای کمک به تدوین نظریه‌ها است.

برای اینکه یادگیری ماشین واقعاً تفاوت ایجاد کند، علوم اعصاب باید به یک علم کلان داده تبدیل شود

یادگیری ماشین تمام مشکلات بزرگ در علوم اعصاب را حل نمی‌کند. این ممکن است به کیفیت داده‌های در دسترس از fMRI و دیگر روش‌های اسکن مغز مربوط شود.  Gael Varoquaux یک دانشمند محاسباتی که ابزار یادگیری ماشین را برای دانشمندان علوم اعصاب توسعه داد، می‌گوید: «اگر ما بی نهایت از داده‌های تصویربرداری را داشته باشیم، باز هم پیش بینی کاملی نداریم زیرا روش‌های تصویربرداری بسیار ناقص هستند».

رویکرد کلان داده به این معنا است که دانشمندان علوم انسانی می‌توانند در خارج از محدوده آزمایشگاه پژوهش‌های رفتاری خود را آغاز کنند. Ghuman می‌گوید: «تمام مدل‌های سنتی ما از فعالیت مغز بر اساس تنظیمات آزمایشگاهی بسیار مصنوعی است. دقیقاً معلوم نیست که در شرایط دنیای واقعی نیز به همین شیوه عمل کند». اگر اطلاعات کافی در مورد فعالیت مغز (شاید با یک کلاه پوشیدنی EEG) داشته باشیم، یادگیری ماشین می‌تواند الگوهای فعالیت مغزی را بدون نیاز به آزمایش‌های طرح شده جستجو کند.

بزرگترین پیشرفت در یادگیری ماشین در ده سال گذشته ایده‌ایی است به نام «شبکه عصبی کانولوشن». این چیزی است که گوگل برای تشخیص اشیا در تصاویر از آن استفاده می‌کند. این شبکه‌های عصبی مبتنی بر نظریه‌های علوم اعصاب است. همانطور که یادگیری ماشین برای فهم مغز بهتر می‌شود، ممکن است ترفندهای جدیدی را پیدا کند و هوشمندانه‌تر شود. این بهبود برنامه‌های یادگیری ماشین می‌تواند به مغز بازگردد و ما بتوانیم بیشتر در مورد علوم اعصاب یاد بگیریم.

بیشتر بخوانید:

>>چرا برای مطالعه مغز انسان به هوش مصنوعی نیاز داریم؟ (بخش نخست)

>>استفاده از هوش مصنوعی برای درمان تشویش

>>بدون هوش مصنوعی پزشکی دقیق وجود ندارد!

منبع: vox.com

«استفاده و بازنشر مطالب تنها با ذکر لینک منبع و نام (مجله فناوری‌های توان‌افزا و پوشیدنی) مجاز است»