ایسنا: محققان می‌گویند چیزی در پشت چشم‌های ما وجود دارد که می‌تواند نشان دهد به اختلال کم‌توجهی-بیش‌فعالی یا ADHD مبتلا هستیم یا خیر.

تشخیص دقیق اختلال کم‌توجهی-بیش‌فعالی(ADHD) برای شفاف‌سازی و حمایت مناسب برای افرادی که به آن نیاز دارند، بسیار مهم است، اما روش‌های تشخیص فعلی، زمان‌بر و ناسازگار هستند. یک مطالعه جدید نشان می‌دهد که هوش مصنوعی می‌تواند در این امر نیز به ما کمک کند.

به نقل از اس‌ای، محققان در کره جنوبی مدل‌های یادگیری ماشینی را آموزش دادند تا ویژگی‌های موجود در عکس‌های پشت چشم را به تشخیص حرفه‌ای ADHD متصل کنند.

از بین چهار مدل یادگیری ماشینی که در این مطالعه مورد آزمایش قرار گرفتند، بهترین آنها امتیاز ۹۶.۹ درصدی را برای پیش‌بینی دقیق ADHD، تنها بر اساس تجزیه و تحلیل تصویر کسب کرد.

این تیم دریافت که تراکم عروق خونی بالاتر، شکل و پهنای رگ‌ها و تغییرات خاصی در قرص بینایی چشم نشانه‌های کلیدی این بیماری هستند.

برای چندین سال تصور می‌شد که تغییرات اتصال مغز مرتبط با ADHD می‌تواند در چشمان ما نیز ظاهر شود. اگر بدانیم به دنبال چه چیزی باید باشیم، این می‌تواند به معنای روشی سریعتر و قابل اعتمادتر برای تشخیص این اختلال باشد.

محققان به رهبری گروهی از کالج پزشکی دانشگاه یونسی(Yonsei) در مقاله منتشر شده خود می‌نویسند: تحلیل ما از عکس‌های فوندوس(fundus) از شبکیه، پتانسیل آن را به عنوان یک نشانگر زیستی غیرتهاجمی برای غربالگری ADHD و طبقه‌بندی نقص عملکرد اجرایی در حوزه توجه بصری نشان داد.

این رویکرد بر روی ۳۲۳ کودک و نوجوانی که قبلاً مبتلا به ADHD تشخیص داده شده بودند و ۳۲۳ کودک دیگر غیر مبتلا به ADHD آزمایش شد که بر اساس سن و جنس با گروه اول مطابقت داشت.

محققان دریافتند که این سامانه هوش مصنوعی در چندین معیار زمانی مربوط به پیش‌بینی ADHD، امتیاز بالایی کسب می‌کند. همچنین در تشخیص برخی از ویژگی‌های این اختلال، از جمله اختلال در توجه انتخابی بینایی، عملکرد خوبی داشت.

چندین تکنیک یادگیری ماشینی برای غربالگری ADHD به تازگی مورد بررسی قرار گرفته است. از تجزیه و تحلیل اسکن چشم گرفته تا تست‌های رفتاری، اما این یکی دارای چند مزیت مهم است. اگرچه دقیق‌ترین روش از نظر نمرات خام نیست، اما بسیار نزدیک است، همچنین اجرا و ارزیابی آن سریع است و افزایش مقیاس آن ساده است.

محققان می‌گویند: مدل‌های قبلی با دقت بالا معمولاً بر مجموعه متنوعی از متغیرها متکی بودند که هر کدام به طور فزاینده در تمایز موضوعات کمک می‌کردند. رویکرد جدید ما تجزیه و تحلیل را با تمرکز انحصاری بر روی عکس‌های شبکیه ساده می‌کند. این استراتژی داده تک‌منبعی، وضوح و کاربرد مدل‌های ما را افزایش می‌دهد.

محققان در مرحله بعد می‌خواهند این آزمایش‌ها را در گروه‌های بزرگ‌تری از مردم و محدوده‌های سنی وسیع‌تر انجام دهند.

آنها می‌گویند میانگین سنی شرکت کنندگان در این مطالعه ۹.۵ سال بود و می‌دانیم که ADHD در بزرگسالان می‌تواند کاملاً متفاوت ظاهر شود.

همچنین فضایی برای بهبود دامنه این سامانه وجود دارد. به عنوان مثال، افراد مبتلا به اختلال طیف اوتیسم از بخش اصلی این مطالعه حذف شدند، اما آزمایش‌های بیشتر نشان داد که هوش مصنوعی در تشخیص اوتیسم از ADHD عالی عمل نمی‌کند.

برآوردهای اخیر حاکی از آن است که از هر ۲۰ نفر یک نفر مبتلا به ADHD است که می‌تواند شامل مبارزه با توجه، تکانه‌ها و بیش‌فعالی باشد. افراد بسیاری هستند که تشخیص سریعتر و دقیق‌تر می‌تواند برای آنها تفاوت ایجاد کند.

محققان می‌گویند: غربالگری زودهنگام و مداخله به موقع می‌تواند عملکرد اجتماعی، خانوادگی و تحصیلی را در افراد مبتلا به ADHD بهبود بخشد.

این پژوهش در مجله npj Digital Medicine منتشر شده است.