مدل یادگیری ماشینی اوتیسم را در کودکان با دقت 80 درصد شناسایی می کند.

یک تیم بین‌المللی از دانشمندان الگوریتم AutMedAI را توسعه داده‌اند که اختلالات طیف اوتیسم را در کودکان در مراحل اولیه با دقت 80 درصد تشخیص می‌دهد. این مدل 28 پارامتر مختلف از جمله سن اولین لبخند کودک، اولین جمله ساده و وجود مشکلات تغذیه را تجزیه و تحلیل می‌کند. در آینده، نویسندگان قصد دارند داده های ژنتیکی را در مدل قرار دهند و آن را در عمل بالینی آزمایش کنند.

اختلال طیف اوتیسم (ASD) یا اوتیسم، گروهی از بیماری های روانی است که با مشکلاتی در برقراری ارتباط و انتقال اطلاعات به دیگران مشخص می‌شود. تشخیص اوتیسم در کودکان در سنین پایین دشوار است: علائم بیماری اغلب با ویژگی های رفتاری نوزادان اشتباه گرفته می شود و برخی از علائم اوتیسم به صورت غیر مستقیم ایجاد می شوند. ASD می تواند با تاخیر رشد، اختلال بیش فعالی کمبود توجه همراه باشد که تشخیص آنها را پیچیده تر می کند.

یک تیم بین المللی از دانشمندان روش جدیدی را برای پیش بینی ASD پیشنهاد کرده‌اند. نویسندگان پایگاه داده آمریکایی SPARK را که حاوی اطلاعات 30 هزار نفر با اختلال اوتیسم و بدون اختلالات طیف اوتیسم ، تجزیه و تحلیل کردند. بر اساس این داده‌ها، محققان 28 پارامتر مختلف را استخراج کردند و 4 مدل یادگیری ماشینی را توسعه دادند که الگوهای ایجاد اختلالات طیف اوتیسم را شناسایی می‌کند.

موثرترین مدل AutMedAI نام داشت. او از یک نمونه 12 هزار نفری، کودکان مبتلا به اوتیسم را با دقت 80 درصد شناسایی کرد. از جمله شاخص‌های دیگر، مدل سن اولین لبخند کودک، اولین جمله ساده و وجود مشکلات تغذیه را تجزیه و تحلیل کرد.

به گفته نویسندگان، این مدل تشخیص ASD را در سنین بسیار پایین با تکیه بر اطلاعات نسبتاً آسان ممکن می‌سازد. در آینده، دانشمندان قصد دارند AutMedAI را با داده های ژنتیکی تکمیل کرده و مدل را در محیط های بالینی آزمایش کنند.

سحر موحد
Source
-
«Channel of Science is for all»