خب بچه‌ها، بیاید یه داستان جالب براتون تعریف کنم درباره یه مدل باحال که اومده کمک کنه بیماری «اوتیسم» یا همون Autism Spectrum Disorder (ASD) رو زودتر و دقیق‌تر تشخیص بدن. اوتیسم یه جور اختلال رشد عصبی هست که کسایی که دچارش می‌شن، معمولاً تو ارتباط برقرار کردن با بقیه، حرف زدن و رفتارهای تکراری یه مشکلاتی دارن. با این حال، علائمش کلی فرق دارن بین افراد مختلف، و برای پزشک‌ها، تشخیص درستش واقعاً کار آسونی نیست.
تا حالا شنیدید که دکترها برای فهمیدن مشکلات مغزی از «تصویر‌برداری مغزی» استفاده می‌کنن؟ یکی از این تکنیک‌ها اسمش هست «Resting-state fMRI» یا به اختصار rs-fMRI. خلاصه بگم: تو این روش وقتی آدم هیچی کار خاصی نمی‌کنه، از مغزش عکس می‌گیرن تا الگوهای ارتباطی سلول‌های مغزی رو ببینن. این تصویرها پر از داده‌س، ولی مشکلش اینه که اطلاعاتش خیلی زیاده (یعنی دیتاش خیلی Dimensionality بالاست) و خب، کلی نویز هم دارن. تازه تعداد افرادی که قبول می‌کردن تو این جور آزمایش‌ها شرکت کنن هم کمه. این یعنی مدل‌های قدیمی معمولاً نمی‌تونستن از این داده‌ها خوب استفاده کنن.
حالا یه تیم باهوش اومدن و یه کار جدید کردن! گفتن بیاید از هوش مصنوعی کمک بگیریم—از نوع «دیپ لرنینگ» یا همون یادگیری عمیق، اونم با یه روش نوآورانه! ایده‌شون این بود که کلی داده rs-fMRI رو از یه دیتابیس معروف به اسم ABIDE I (که مجموعه‌ای از تصویرهای مغزی آدم‌های اوتیستیک و نرماله) جمع کردن و با استفاده از «CPAC Pipeline» که یه سری پیش‌پردازش روی این تصویرها انجام می‌ده (یعنی داده‌ها رو آماده‌ی خوردن یا همون تحلیل شدن می‌کنه)، شروع به کار کردن.
مدلی که ساختن دو تا قسمت داره:
۱. Stacked Sparse Denoising Autoencoder (SSDAE): ببینید اسمش ترسناکه، ولی کلک قضیه اینه که یه شبکه عصبیه که می‌تونه تو شلوغی و نویز داده، اون بخش‌هایی که واقعاً مهمن رو خودش پیدا کنه و نگه داره.
۲. Multi-Layer Perceptron یا همون MLP: اینم یه لایه دیگه شبکه عصبیه که مثل مغز کوچیکی می‌مونه و روی داده‌ها تحلیل انجام می‌ده.
اینا رو با هم قاطی کردن و شدن یه مدل ترکیبی که بهتر از مدل‌های قبلی می‌تونه از دل این تصویرهای مغزی پر از اطلاعات خاص، نشونه‌های اوتیسم رو دربیاره.
ولی تموم نشد! اینجا یه بخش باحال دیگه هم دارن به اسم «ویژگی‌یابی پیشرفته» (Feature Selection). این یعنی از بین کلی اطلاعاتی که داریم، اونایی رو انتخاب کنیم که واقعاً به درد تشخیص اوتیسم می‌خورن. واسه این کار یه الگوریتم به‌دردبخور به اسم Hiking Optimization Algorithm (HOA) استفاده کردن که یه جور روش هوشمنده برای پیدا کردن ترکیب بهینهٔ ویژگی‌ها. تازه روش رو ارتقا دادن:
– Dynamic Opposites Learning (DOL): این یعنی مدل دائم داره خودش رو آپدیت می‌کنه تا راه‌های اشتباه رو تشخیص بده و بهتر پیش بره.
– Double Attractors: یعنی دوتا نقطهٔ هدف داره که سعی می‌کنه سمت هر دوتاش همزمان حرکت کنه تا راه بهینه‌تر بشه.
اومدن این مدل رو روی چندتا دیتاست مختلف از اوتیسم تست کردن. نتیجه؟ بیاید با هم نمره‌ها رو ببینیم:
– دقت کلی یا Accuracy: ۷۳.۵ درصد! (این یعنی نسبت تشخیص درست به کل نمونه‌ها)
– حساسیت یا Sensitivity: ۷۶.۵ درصد! (یعنی مدل چقدر خوب افراد مبتلا به اوتیسم رو درست تشخیص داده)
– ویژگی یا Specificity: ۷۵.۲ درصد! (یعنی چقدر خوب آدمای سالم رو سالم تشخیص داده)
این عددها از مدل‌های قبلی (یا به قول خارجی‌ها state-of-the-art) بهتر بودن، یعنی واقعا پیشرفت به حساب میاد.
خلاصه اگه بخوام جمع‌بندی کنم: این مدل هیبریدی دیپ لرنینگ + ویژگی‌یابی پیشرفته باعث شده هم از کامل بودن و تنوع اطلاعات تصویرهای مغزی بیشترین استفاده رو ببرن، هم مدلشون خیلی بهتر از قبل اوتیسم رو تشخیص بده—اونم به صورت کاربردی و قابل اجرا تو دنیای پزشکی.
پس فکر کن! بزودی دکترها می‌تونن با کمک یه مدل هوش مصنوعی خفن، با دیدن چندتا عکس از مغز، اوتیسم رو خیلی سریع‌تر و دقیق‌تر تشخیص بدن. این یعنی شاید زودتر بتونن کمک کنن اوضاع بچه‌هایی که نیاز دارن بهتر بشه. چقدر خوب، نه؟
منبع: +
