پیش‌بینی روان پریشی از طریق هوش مصنوعی

موسسه ملی بهداشت روان (NIMH) روان پریشی را به عنوان مجموعه ای از علائم مانند توهمات، باورهای غلط تعریف می کند که بر ارتباط فرد با واقعیت تاثیر می گذارد. بر اساس برآوردهای NIMH، سالانه 15 تا 100 نفر از 100،000 نفر دچار روان پریشی می شوند و اغلب تغییرات رفتاری مانند فاصله گیری اجتماعی، کاهش نظافت شخصی یا مراقبت از خود، مشکل در جدا کردن فانتزی از واقعیت، مشکل در تفکر منطقی یا واضح، پارانویا، مشکوک بودن، مسائل خواب و موارد دیگر ممکن است قبل از وقوع آن رخ دهد. روان پریشی ممکن است به دلیل عوامل متعددی مانند عوامل خطر ژنتیکی روی دهد. همچنین مسائل مربوط به رشد مغز؛ قرار گرفتن در معرض استرس یا تروما؛ بیماری های روانی مانند افسردگی شدید، اختلال دوقطبی و اسکیزوفرنی؛ محرومیت از خواب؛ یا سوء مصرف الکل یا مواد مخدر می­تواند در روی دادن روان پریشی دخیل باشند. روان پریشی ممکن است نشانه ای از بیماری های دیگر مانند بیماری آلزایمر، زوال عقل و بیماری پارکینسون باشد.

دانشمندان یک الگوریتم یادگیری ماشین AI را با استفاده از داده های اسکن مغز MRI از افراد در معرض خطر بالینی که بعدا از 21 سایت گروه کاری ENIGMA Clinical High Risk for Psychosis دچار روان پریشی شدند، توسعه دادند. الگوریتم یادگیری ماشین هوش مصنوعی مورد استفاده XGBoost (eXtreme Gradient Boosting)، یک کتابخانه نرم افزاری مقیاس پذیر و منبع باز برای الگوریتم های درخت تصمیم گیری تقویت شده با شیب توزیع شده (GBDT) بود. XGBoost تقویت درخت موازی را مستقر می کند و به طور گسترده ای برای طبقه بندی، رتبه بندی و مشکلات رگرسیون استفاده می شود. محققان طبقه بندی کننده هوش مصنوعی را توسعه دادند و وزن ها را برای شناسایی ویژگی های کلیدی برای تعمیم ترسیم کردند. دانشمندان می­گویند که “دقت طبقه بندی در آموزش و مجموعه داده های تاییدی مستقل به ترتیب 85 درصد و 73 درصد بود.”

برای این مطالعه حاضر، محققان دریافتند که مناطق برتر گیجگاهی، اینسولا و پیشانی برتر، مناطق مغزی بودند که به الگوریتم بیشترین کمک را در طبقه بندی کنترل های سالم از شرکت کنندگان پرخطر که بعدا دچار روان پریشی شدند، کردند.”این نتایج نشان می دهد که هنگام در نظر گرفتن رشد مغز نوجوانان، اسکن MRI پایه برای افراد CHR ممکن است برای شناسایی پیش آگهی انها مفید باشد.”

برای دیدن منبع کلیک کنید.