تشخیص اختلال طیف اوتیسم (ASD) بسیار چالش برانگیز و پیچیده است و به تخصص زیادی نیاز دارد. اوتیسم، یک اختلال رشد عصبی است که می تواند طیف گسترده ای از علائم و مهارت ها را درگیر کند. بر اساس آمار منتشر شده در سال ۲۰۲۳، ASD، از هر ۳۶ کودک، تقریبا ۱ کودک را تحت تاثیر قرار می دهد؛ تاکنون هیچ نشانگر بیوشیمیایی برای شناسایی دقیق این اختلال کشف نشده است.
محققان دانشگاه سائوپائولو در تحقیق اخیر خود، یک مدل هوش مصنوعی را توسعه داده اند که قادر است اختلال اوتیسم را با دقت بالایی تشخیص دهد. پژوهشگران برای این مطالعه، تکنیک های یادگیری ماشینی را بر روی داده های تصویربرداری مغزی ۵۰۰ نفر که حدود نیمی از آنها مبتلا به ASD تشخیص داده شده بودند، اعمال کردند.
دانشمندان توضیح دادند: ما نقشه های مغزی افراد مبتلا به ASD را با افراد سالم مقایسه کرده و یک الگوریتم یادگیری ماشینی را با این نقشه ها آموزش دادیم. بر اساس نتایج به دست آمده، این مدل توانست تغییرات مغزی مرتبط با ASD را با دقت بالای ۹۵ درصد تشخیص دهد.
محققان در ادامه افزودند: داده های fMRI بیماران مبتلا به اوتیسم، با تغییراتی در مناطق خاصی از مغز که در فرآیندهای شناختی، عاطفی، یادگیری و حافظه نقش دارند، مرتبط بودند.
تا چند سال پیش، اطلاعات محدودی در رابطه با تغییراتی که منجر به ایجاد علائم ASD می شوند، وجود داشت. با این حال، اکنون، مشخص شده است که تغییرات مغزی در بیماران ASD با رفتارهای خاصی مرتبط است؛ با این حال، تحقیقات نشان داده اند که این تغییرات به سختی قابل مشاهده هستند و این موضوع تشخیص این اختلال را با چالش هایی مواجه کرده است.
محققان معتقدند: درک بهتر تاثیر تغییرات مغزی بر رفتار، منجر به توسعه رویکردهای درمانی کارآمدتر و مؤثرتری می شود. پژوهشگران گفته اند، مطالعه ما گام مهمی در مسیر تشخیص و درمان اختلال اوتیسم محسوب می شود و می تواند دانش و درک ما از این اختلال عصبی را گسترش دهد.
