Filter by دسته‌ها
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
 کاربرد هوش مصنوعی در تشخیص بیماری پارکینسون

کاربرد هوش مصنوعی در تشخیص بیماری پارکینسون

پژوهشگران آزمایشگاه Human Movement واقع در دپارتمان تربیت بدنی دانشگاه سائوپائولو (UNESP) برزیل، از هوش مصنوعی کمک گرفته‌اند تا روند پیشرفت بیماری پارکینسون را با سرعت و دقت بیشتری تشخیص دهند. این متخصصان با استفاده از الگوریتم‌های یادگیری ماشین، پارامترهای راه‌رفتن افراد را تحلیل کرده‌اند تا به این وسیله، در تشخیص بیماری پارکینسون موفق باشند.

پژوهشگران دریافتند که چهار ویژگی مربوط به راه‌رفتن در تشخیص این بیماری نقش مهم ایفا می‌کنند: طول گام، سرعت، پهنا و ثبات (یا تغییرپذیری پهنا). تغییرپذیری پهنا و زمان پشتیبانی دوگانه (هنگامی که هر دو پا در تماس با سطح زمین هستند) دو عاملی هستند که در مورد شدت بیماری پارکینسون اطلاعات زیادی در اختیار ما قرار می‌دهند.

کاربرد هوش مصنوعی در تشخیص بیماری پارکینسون

فابیو آگوستو باربیری، استاد تربیت بدنی دانشگاه UNESP و یکی از نویسندگان مقاله، توضیح می‌دهد: «تفاوت و نوآوری پروژه‌ ما نسبت به سایر مطالعات این حوزه در این است که از دیتابیس بزرگ‌تری استفاده می‌کنیم. ما پارامترهای مربوط به راه‌رفتن را به عنوان معیار کلیدی تشخیص بیماری پارکینسون به کار بردیم؛ زیرا نقص در راه‌رفتن معمولاً در مراحل اولیه‌ این بیماری نمایان و به مرور زمان تشدید می‌شود. دلیل دیگر این است که این پارامترها با ویژگی‌هایی همچون سن، قد و وزن همبستگی ندارند.»

الگوریتم یادگیری ماشین و کمک به بیماران مبتلا به پارکینسون

63 نفر از مشارکت‌کنندگان در برنامه‌ میان‌رشته‌ای Ativa Parkinson، برنامه‌ای برای فعالیت‌های سازمان‌یافته ویژه‌ بیماران مبتلا به پارکینسون و 63 نفر دیگر به عنوان گروه کنترل در این آزمایشات مورد مطالعه قرار گرفتند. سن همگی داوطلبان بیشتر از 50 سال بود. داده‌های جمع‌آوری‌شده طی بازه‌ زمانی 7 ساله به الگوریتم یادگیری ماشین آموزش داده شد.

پژوهشگران با تحلیل پارامترهای مربوط به راه‌رفتن و مقایسه‌ آن‌ها با سطح موردانتظار برای این گروه سنی به ارزیابی خط‌ پایه دست یافتند. طی این فرایند، از یک دوربین ثبت حرکات فضایی استفاده شد تا طول، پهنا، زمان، سرعت، آهنگ، تغییرپذیری و قرینگی گام برای هر فرد به صورت مجزا ثبت شود. پژوهشگران از این داده‌ها استفاده کردند تا دو مدل یادگیری ماشینی متفاوت بسازند: یکی برای تشخیص بیماری و دیگری برای برآورد شدت بیماری. متخصصان دانشکده مهندسی دانشگاه پورتو پرتغال، در این قسمت از پروژه با پژوهشگران دانشگاه UNESP همکاری داشتند.

الگوریتم یادگیری ماشین و کمک به بیماران مبتلا به پارکینسون

شش الگوریتم در این پروژه به کار رفتند: بیز ساده (NB)، ماشین بردار پشتیبان (SVM)، درخت تصمیم (DT)، جنگل تصادفی (RF)، رگرسیون لوجیستیک (LR) و پرسپترون چندلایه‌ای (MLP). الگوریتم NB به دقت 6/84 درصدی در تشخیص بیماری دست یافت و الگوریتم‌های NB و RF بهترین عملکرد را در تشخیص شدت بیماری از خود به نمایش گذاشتند. باربیری اضافه می‌کند: «دقت پذیرفته‌شده برای ارزیابی‌های بالینی حدود 80 درصد است. در این پروژه، با ترکیب ارزیابی‌های بالینی با هوش مصنوعی توانستیم احتمال خطا در تشخیص بیماری پارکینسون را به میزان چشمگیری کاهش دهیم.»

چالش‌های تشخیص پارکینسون

بخشی از علت بیماری پارکینسون به تخریب و تضعیف آن دسته از سلول‌های عصبی مغز برمی‌گردد که مسئولیت کنترل حرکات را برعهده دارند. این مسئله در اثر نقص در تولید دوپامین اتفاق می‌افتد. دوپامین انتقال‌دهنده‌ای عصبی است که سیگنال‌های مغزی را به ماهیچه‌ها ارسال می‌کند. سطح پایین دوپامین به مشکل در حرکت می‌انجامد و نشانه‌هایی همچون لرزش، گام‌های آهسته، توازن پایین، تغییر و نوسان در گفتار و نوشتار را به همراه می‌آورد.

یکی از چالش‌های تشخیص پارکینسون درحال‌حاضر این است که شناسایی این بیماری بر اساس سوابق بالینی و معاینات عصب‌شناختی انجام می‌گیرد و آزمایش مشخصی ندارد. برآورد کلی از آمار موجود نشان می‌دهد که بین 3 تا 4 درصد از جمعیت بالای 65 سال مبتلا به پارکینسون هستند. به گفته‌ تیاگو پنیدو، یکی دیگر از نویسندگان مقاله‌ مذکور، یافته‌های این پژوهش نقش مهمی در ارتقای ارزیابی و تشخیص بیماری پارکینسون ایفا می‌کنند؛ البته هزینه‌ بالای استفاده از این فناوری‌ها عاملی بازدارنده‌ به شمار می‌رود.

چالش‌های تشخیص پارکینسون

وی ادامه می‌دهد: «ما موفق شدیم ابزارهای موجود را ارتقاء دهیم و به گسترش دیتابیس موجود کمک کنیم؛ اما در این راستا از تجهیزات گران‌قیمتی استفاده کرده‌ایم که در کلینیک‌ها و مراکز بهداشتی وجود ندارند.» تجهیزات به‌کاررفته در این پژوهش حدود 100,000 دلار قیمت دارند. پنیدو معتقد است که این فرایند را با تجهیزات ارزان‌تر همچون کرنومتر هم می‌توان انجام داد، اما دقت نتایج پایین می‌آید. پژوهشگران معتقدند تکنیک‌های به‌کاررفته در این پژوهش به درک بهتر مکانیزم‌های زیربنایی بیماری پارکینسون کمک می‌کنند.

پیش از این، مقاله‌ دیگری از این گروه پژوهشگران نشان داد که بیماران مبتلا به پارکینسون نسبت به افراد سالم با سن و وزن مشابه، 53 درصد سینرژی کمتر در طول گام نشان می‌دهند. سینرژی به ظرفیت سیستم حرکتی یا اسکلتی-عضلانی در انطباق حرکات اشاره دارد و عواملی از جمله سرعت و حالت پا را در برمی‌گیرد. مطالعات دیگر نیز حاکی از این بوده‌اند که بیماران مبتلا به پارکینسون در حفظ کنترل حرکت و ثبات مشکل دارند. با این حال، پژوهشگران دانشگاه UNESP بر این باورند که یافته‌های جدید، اطلاعات مفیدی در مورد تغییرات روند بیماری پارکینسون در اختیار ما قرار می‌دهند.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
لطفاً برای تکمیل این فرم، جاوا اسکریپت را در مرورگر خود فعال کنید.