Mesterséges intelligencia az autizmus spektrum zavar kimutatásában

A Scientific Reports május 18-án közölte a University of São Paulo Matematikai és Informatikai Tanszékének cikkét, amelyben az autizmus spektrum zavar kimutatására alkalmas, mesterséges intelligencián alapuló diagnosztikai rendszert írtak le.

A cikkben vázolt diagnosztikai rendszer 500 személy agyi képalkotó vizsgálatokkal felvett adatain alapult, akiknek körülbelül felénél (242 főnél) diagnosztizáltak autizmust. Az adatokra a brazil kutatók gépi tanulással (machine learning) operáló módszereket eresztettek rá.

"Módszertanunk kidolgozását funkcionális mágneses rezonancia képalkotó [fMRI] és elektroenkefalogram [EEG] adatok gyűjtésével kezdtük. Összehasonlítottuk az autizmussal és anélkül élő emberek felvételeit, és úgy találtuk, hogy a diagnózis ezzel a módszerrel nagy pontossággal felállítható" - mondta Francisco Rodrigues, a cikk vezető szerzője.

A kutatók a gépi tanulási módszereket használó algoritmussal 95% feletti pontossággal tudták meghatározni, hogy mely agyi elváltozások társulnak az autizmushoz. A legújabb kutatások nagy része gépi tanuláson alapuló módszereket javasol az autizmus diagnosztizálására, de kevés statisztikai paramétert használ, figyelmen kívül hagyva az agyi hálózat szerveződését, ami a jelen tanulmányban bemutatott rendszer legfőbb újítása. Az agytérképek vagy az agykérgi hálózatok megmutatják, hogy az egyes agyi régiók hogyan kapcsolódnak egymáshoz. Ezeknek a hálózatoknak a kutatása körülbelül 20 évvel ezelőtt kezdődött, és új látásmódot hozott a neurológia számára. "Ahogyan egy megszakításokkal, akadályokkal tarkított út megváltoztatja egy régió forgalmát, úgy az agy megváltozása a viselkedés módosulásához vezet" - fejtette ki Rodrigues.

Az fMRI-adatok elemzése rámutatott a kognitív, érzelmi, tanulási és memóriafolyamatokkal asszociált agyi régiókban bekövetkezett változásokra. Az autista betegek agykérgi hálózatai a kontrollokhoz képest határozottabb szegmentációt, kisebb mértékű információelosztást és alacsonyabb fokú összekapcsolódottságot mutattak.

"Néhány évvel ezelőttig keveset tudtunk azokról a változásokról, amelyek az autizmus tüneteihez vezetnek. Most azonban már ismert, hogy az autista betegek agyi elváltozásai összefüggnek bizonyos viselkedési mintákkal, bár az anatómiai kutatások azt mutatják, hogy az elváltozásokat nehéz észrevenni, és ez különösen az enyhe autizmus diagnózisát sokkal nehezebbé teszi. Tanulmányunk fontos lépés olyan új módszerek kifejlesztésében, amelyek segítségével mélyebben is megérthetjük a neurológiai elváltozások következményeit" - nyilatkozta Rodrigues.

A kezdeti jó eredmények ellenére a módszertan jelenleg további fejlesztés alatt áll, és előre láthatólag még évekig fog tartani, de a jövőben hasznos segítséget nyújthat a szakembereknek, különösen a diagnosztikai bizonytalansággal járó esetekben. És bár sokkal több kutatásra van szükség ahhoz, hogy ez az automatikus diagnosztikai módszer a gyakorlatban is alkalmazható legyen, előre láthatólag az agytérképezésen alapuló módszer az autizmuson kívül más állapotok diagnosztizálásában is hasznos lehet. Korábbi munkák például azt mutatják, hogy az agytérképek jelentős pontossággal használhatók a szkizofrénia kimutatására is.

"Egy évtizeddel ezelőtt kezdtük el a mentális rendellenességek azonosítására szolgáló új módszerek kidolgozását. Azt találtuk, hogy a szkizofrénia diagnosztikai pontossága az agyi hálózatok és a mesterséges intelligencia alkalmazásával jelentősen javítható. Nemrég tanulmányoztuk a módszertan alkalmazását az Alzheimer-kór vizsgálatára is, és megállapítottuk, hogy pontos automatikus diagnózis is lehetséges" - mondta Rodrigues, utalva a Journal of Neural Engineering című folyóiratban 2022-ben megjelent korábbi tanulmányukra.

Írásunk az alábbi közlemények alapján készült:

Study proposes use of artificial intelligence to diagnose autism spectrum disorder

Diagnosis of autism spectrum disorder based on functional brain networks and machine learning

Irodalmi hivatkozás:

Caroline L. Alves et al, Diagnosis of autism spectrum disorder based on functional brain networks and machine learning, Scientific Reports (2023). DOI: 10.1038/s41598-023-34650-6