تا حالا شده فکر کنی تشخیص اختلال نقص توجه-بیش‌فعالی یا همون ADHD چقدر کار سخت و گاهی گیج‌کننده‌ایه؟ خب، واقعیتش اینه که روش‌های سنتی تشخیص این اختلال بیشترشون بر اساس نظر پزشک و پرسش‌نامه‌هایی هست که والدین و معلم‌ها پر می‌کنن. یعنی کاملاً سلیقه‌ای و وابسته به برداشت آدم‌هاست. اگر علائم بچه‌ای به چند تا بیماری دیگه هم شباهت داشته باشه، باعث اشتباه توی تشخیص میشه یا بعضی وقتا اصلاً تشخیص داده نمیشه! خب اینجا هوش مصنوعی (AI) میاد وسط که قراره این مشکل رو کمتر کنه.
حالا هوش مصنوعی چی هست؟ همون کامپیوترها و الگوریتم‌های پیشرفته‌ای که می‌تونن کلی اطلاعات مختلف، مثلاً داده‌های رفتاری، ام‌آر‌آی (تصویر مغزی)، اطلاعات ژنتیکی و حتی داده‌های فیزیولوژیک رو با هم ترکیب کنن و الگوهای پنهونی که آدم‌ها نمی‌تونن ببینن رو پیدا کنن! بخش‌های Machine Learning (یعنی یادگیری ماشین، که کامپیوتر با مشاهده دیتا خودش کم‌کم یاد می‌گیره) و Deep Learning (یادگیری عمیق؛ مدل‌های خیلی پیشرفته‌تر و پیچیده‌تر یادگیری ماشین) الان داغ‌ترین زمینه‌های این ماجرا هستن.
چی کار می‌تونن بکنن؟
- غربالگری اولیه: یعنی از همون اول بتونن با دقت بیشتری کسایی که احتمال ADHD دارن رو شناسایی کنن.
- پیش‌بینی ریسک: مثلاً بگن چه کسایی بیشتر در معرض این اختلال هستن.
- کمک به تشخیص: اینجا هوش مصنوعی به پزشک‌ها کمک می‌کنه تا با اطلاعات دقیق‌تر، سریع‌تر و بدون تعصب قضاوت کنن.
- دسته‌بندی و کیلینکال دایگنوسیس: یعنی حتی بتونه تفاوت بین نوع‌های مختلف ADHD رو مشخص کنه یا اگه کسی علائم مشابه داره ولی خودش ADHD نیست رو درست تشخیص بده (به این کار میگن precise differential diagnosis یعنی افتراق دقیق بین بیماری‌های شبیه به هم).
- اندازه‌گیری شدت علائم: یعنی بگه فلان نفر چقدر علائمش شدید یا خفیفه.
- شناسایی زیرگروه‌های مختلف: چون همه افراد ADHD یجور نیستن و مدل‌های هوش مصنوعی می‌تونن تفاوت‌های ریز ردپای زیستی رو هم پیدا کنن.
البته این وسط همه‌چیز گل و بلبل نیست! دانشمندا میگن هنوز مشکلاتی داریم: مثلاً دیتای کافی و استاندارد نداریم (یعنی داده‌ها باید از افراد مختلف، موقعیت‌های متفاوت و با کیفیت بالا جمع بشه). بعضی وقتا مدل‌ها به خاطر کم بودن تنوع داده، فقط همون جامعه خودشون رو خوب تشخیص میدن ولی برای کشورهای مختلف کاربرد ندارن. یا بعضی مدل‌های یادگیری عمیق انقدر پیچیده‌ان که پزشک نمی‌تونه بفهمه دقیقاً چطور به نتیجه رسیده (به این میگن مشکل interpretability یعنی قابل فهم کردن کار هوش مصنوعی برای آدم‌ها). تازه خطر وجود «سناریوهای تبعیض‌آمیز یا bias» هم هست، مثلاً مدل به دلایل نژادی یا جنسیتی ناعادلانه باشه. و مهم‌تر اینکه هنوز خیلی از این مدل‌ها توی آزمون‌های کلینیکی واقعی (clinical validation یعنی امتحان توی دنیای واقعی پزشکی) تست نشدن.
در نهایت اگه قراره هوش مصنوعی واقعاً تشخیص ADHD رو متحول کنه، لازمه دیتابیس‌های بزرگ و متنوع از سراسر دنیا ساخته بشه، مدل‌ها شفاف و قابل فهم باشن، منصفانه عمل کنن و قبل استفاده در کلینیک، کلی امتحان و بررسی کلینیکی واقعی روش انجام بشه.
پس خلاصه‌ش اینه که هوش مصنوعی قول داده قراره خیلی چیزها رو توی دنیای ADHD عوض کنه؛ تشخیص دقیق‌تر، سریع‌تر و شخصی‌تر، اما تا اون روز هنوز راه داریم و باید حسابی روی دیتای قوی و مدل‌های خوب کار بشه. فعلاً باید مراقب باشیم، ولی آینده‌ش هیجان‌انگیزه!
منبع: +
