تم تطوير أنظمة ذكاء اصطناعي قادرة على التنبؤ ما إذا كان شخص ما سيصاب بالخرف في غضون عامين بدقة 92 في المائة، كما يزعم مطوروها.
تم استخدام بيانات من 15300 مريض في الولايات المتحدة لتدريب الذكاء الاصطناعي من قبل باحثين من جامعة إكستر، وقاموا بتعليمه من الذي قد يصاب بالخرف ومن لا يمكنه الاستمرار فيه.
تعمل هذه التقنية من خلال اكتشاف الأنماط في البيانات ومعرفة الأشخاص الأكثر تعرضاً للخطر، حيث يأمل الباحثون أن تقلل عدد الأشخاص الذين تم تشخيصهم بشكل خاطئ.
قال البروفيسور ديفيد ليولين، زميل آلان تورينغ في جامعة إكستر، والذي أشرف على الدراسة: إن خوارزمية التعلم الآلي يمكنها التنبؤ بمن سيصاب بالخرف في غضون عامين. وتابع: نحن متحمسون أيضاً لمعرفة أن نهج التعلم الآلي لدينا كان قادراً على تحديد المرضى الذين ربما تم تشخيصهم بشكل خاطئ. هذه الآلية لديها القدرة على تقليل التخمين في الممارسة السريرية وتحسين مسار التشخيص بشكل كبير.
وأضافت البروفيسور لويلين أن ذلك سيساعد العائلات في الوصول إلى الدعم الذي يحتاجون إليه بأسرع ما يمكن وبدقة.
بين عامي 2005 و 2015، تلقى واحد من كل 10 مشاركين (والذي كان عددهم الإجمالي 1568) في عيادة الذاكرة تشخيصاً جديداً للخرف في غضون عامين من زيارتهم. وجد الباحثون أن حوالي ثمانية في المائة (130 حالة) من تشخيصات الخرف كانت خاطئة، حيث تم عكس التشخيص لاحقاً.
وفقاً للدراسة المنشورة في JAMA Network Open، حددت نماذج التعلم الآلي بدقة أكثر من 80 في المائة من هذه التشخيصات غير المتسقة. ويشير البحث إلى أن الذكاء الاصطناعي لا يمكنه فقط التنبؤ بدقة بمن سيتم تشخيصه بالخرف، ولكن لديه القدرة على تحسين دقة التشخيص.
يعمل التعلم الآلي عن طريق استخدام معلومات المريض المتوفرة بشكل روتيني في العيادة، مثل الذاكرة ووظيفة الدماغ، والأداء في الاختبارات المعرفية وعوامل نمط الحياة المحددة.
يخطط الفريق لدراسات المتابعة لتقييم الاستخدام العملي لطريقة التعلم الآلي في العيادات، لتقييم ما إذا كان يمكن نشرها لتحسين التشخيص والعلاج والرعاية. قام الباحثون بتحليل البيانات من الأشخاص الذين حضروا شبكة مؤلفة من 30 عيادة ذاكرة تابعة لمركز تنسيق الزهايمر الوطني في الولايات المتحدة. لم يكن الحاضرون مصابين بالخرف في بداية الدراسة، على الرغم من أن العديد منهم كانوا يعانون من مشاكل في الذاكرة أو وظائف الدماغ الأخرى.
وقالت الدكتورة جانيس رانسون، الزميلة البحثية في جامعة إكستر، المشاركة في الدراسة: نحن نعلم أن الخرف حالة مخيفة للغاية. وأضافت: إن تضمين التعلم الآلي في عيادات الذاكرة يمكن أن يساعد في ضمان أن يكون التشخيص أكثر دقة بكثير، مما يقلل من الضيق والتوتر غير الضروري الذي قد يسببه التشخيص الخاطئ.
وقالت الدكتورة روزا سانشو، رئيسة الأبحاث في مركز أبحاث الزهايمر بالمملكة المتحدة، التي مولت البحث: إن لدى هذه الدراسة إمكانات هائلة لتحسين اكتشاف الأمراض. وأضافت: يتمتع الذكاء الاصطناعي بإمكانيات هائلة لتحسين الاكتشاف المبكر للأمراض التي تسبب الخرف، ويمكن أن يحدث ثورة في عملية التشخيص للأشخاص المهتمين بأنفسهم أو أحد أفراد أسرتهم الذين تظهر عليهم الأعراض.
تعد هذه التقنية تحسيناً كبيراً مقارنة بالطرق البديلة الحالية، ويمكن أن توفر للأطباء أساساً للتوصية بتغييرات في نمط الحياة وتحديد الأشخاص الذين قد يستفيدون من الدعم أو التقييمات المتعمقة. وقد نُشرت النتائج في مجلة JAMA Network Open.
ما هو الخرف؟
الخرف مصطلح شامل يستخدم لوصف مجموعة من الاضطرابات العصبية التقدمية (تلك التي تؤثر على الدماغ) والتي تؤثر على الذاكرة والتفكير والسلوك. وهناك العديد من أنواع الخرف المختلفة، وأشهرها مرض الزهايمر. وقد يعاني بعض الأشخاص من مجموعة من أنواع الخَرَف. وبغض النظر عن النوع الذي يتم تشخيصه، سيختبر كل شخص الخرف بطريقته الفريدة.
يعد الخرف مصدر قلق عالمي، ولكنه يظهر غالباً في البلدان الأكثر ثراءً، حيث من المرجح أن يعيش الناس في سن الشيخوخة.
حالياً لا يوجد علاج للخرف. لكن الأدوية الجديدة يمكن أن تبطئ من تقدمه، وكلما تم اكتشافه مبكراً، كانت العلاجات أكثر فعالية.
يمكن تدريب الشبكات العصبية الاصطناعية على التعرف على أنماط المعلومات - بما في ذلك الكلام أو البيانات النصية أو الصور المرئية - وهي الأساس لعدد كبير من التطورات في الذكاء الاصطناعي خلال السنوات الأخيرة.
يستخدم الذكاء الاصطناعي التقليدي مدخلات "لتعليم" خوارزمية حول موضوع معين عن طريق تزويدها بكميات هائلة من المعلومات.
تعتمد أنظمة الذكاء الاصطناعي على الشبكات العصبية الاصطناعية (ANN)، والتي تحاول محاكاة الطريقة التي يعمل بها الدماغ من أجل التعلم. يمكن تدريب الشبكات العصبية الاصطناعية على التعرف على الأنماط في المعلومات - بما في ذلك الكلام أو البيانات النصية أو الصور المرئية.
تشمل التطبيقات العملية خدمات الترجمة اللغوية من Google وبرنامج التعرف على الوجه من Facebook وصورة Snapchat التي تغير المرشحات الحية.
يمكن أن تستغرق عملية إدخال هذه البيانات وقتاً طويلاً للغاية، وتقتصر على نوع واحد من المعرفة.
سلالة جديدة من شبكات ANN تسمى الشبكات العصبية العدائية تضع ذكاء اثنين من روبوتات الذكاء الاصطناعي في مواجهة بعضهما البعض، ما يسمح لهما بالتعلم من بعضهما البعض.
تم تصميم هذا النهج لتسريع عملية التعلم، وكذلك تحسين المخرجات التي تم إنشاؤها بواسطة أنظمة الذكاء الاصطناعي.
-----