اگه از ما بپرسین، همه دوست دارن مغزشون تا جایی که میشه سرحال بمونه! یکی از دغدغههای بزرگ مخصوصاً تو سنین بالا، همین کاهش توان ذهنی و مشکلاتی مثل فراموشی و زوال عقل ـ مثلاً دمانس ـ هست. خب، شناسایی زودتر این قضیه واقعاً مهمه؛ چون میشه جلوش رو گرفت یا سرعتش رو کم کرد. ولی مشکل چیه؟ اکثر تستهایی که الان برای بررسی افت ذهنی استفاده میشن ـ مثلاً همون تست معروف MMSE یا Mini-Mental State Examination ـ زمانبرن و لازم دارن یه نفر آموزشدیده کنارتون بشینه.
حالا خبر خوب اینکه، توی این تحقیق اومدن یه راه خیلی راحتتر پیشنهاد دادن: یه تست جدید که خودشون اسمشو گذاشتن “تست شناسایی بافت با کلمات صدادار نمادین” یا به انگلیسی SSWTRT. اینجا منظور از “کلمات صدادار نمادین” (SSW یا Sound Symbolic Words) تو زبان ژاپنی، اون دسته واژههایی هستن که با شنیدن صداشون، یه حس خاص یا تصویری تو ذهنمون زنده میشه. مثلاً تو فارسی هم چیزایی شبیهش داریم، مثل “تلپ” یا “جرینگ” که خود صداش حس اتفاق رو منتقل میکنه. حالا توی این تست میان عکس بافتهای مختلف مثل پارچه یا پلاستیک رو بهتون نشون میدن (۱۲ تا تصویر نزدیک از جنسهای مختلف) و شما باید از بین ۸ تا کلمه، یکی رو انتخاب کنین که به نظرتون با حس اون بافت بیشتر میخونه.
توی این تحقیق ۲۳۳ نفر که مشکل “هیدروسفالی با فشار معمولی” ـ یه نوع بیماری مغزیِ مخصوص سن بالا ـ داشتن (میانگین سنی: حدود ۷۷ سال) تو تست شرکت کردن. هرکدوم جوابهایی دادن، و جوابها رو با نمره مرجع افراد سالم و جوون مقایسه کردن که ببین ایا انتخابهاشون با نُرم جوونها چقدر هماهنگه.
حالا اینجاش جالبه: محققها اومدن این دادهها رو برداشتن و با استفاده از یادگیری ماشین (Machine Learning یعنی آموزش کامپیوترها و الگوریتمها برای اینکه خودشون بدون دخالت انسان از روی دادهها الگو پیدا کنن) مدلهایی ساختن تا بر اساس ترکیبی از جوابهای تست، سن و سطح تحصیلات شرکتکنندهها، حدس بزنن وضعیت ذهنی هر نفر چجوریه و مثلاً MMSEش بالای ۲۸ هست یا پایینتر از ۲۷.
از بین مدلهای مختلف مثل K-نزدیکترین همسایه، جنگل تصادفی (Random Forest) و ماشین بردار پشتیبان (SVM یا Support Vector Machine: نوع خاصی الگوریتم که تو دستهبندی دادهها خیلی کارآمده)، مدل SVM بالانس شده بهتر جواب داد: دقتش، میزان درست بودنش (Precision)، میزان شناسایی درست (Recall)، و F1 score همشون حدود ۰.۷۲ بود، که برای یه روش خودکار، اونم بدون نیاز به متخصص، خیلی بد نیست!
برای اینکه بفهمن مدل داره دقیقاً چیکار میکنه، از یه تکنیک به اسم SHAP استفاده کردن ـ خلاصهاش SHapley Additive exPlanations ـ که توضیح میده کدوم ویژگیها، مثل واکنش به تصویر خاص، بیشتر روی جواب اثر گذاشته. مثلاً جواب دادن به عکسهایی با بافت نرم یا زبر، بیشتر باعث میشد مدل راحتتر تشخیص بده چه کسی ممکنه افت ذهنی داشته باشه.
یه نکته جالب این بود که بعضی عکسها اثر عکس داشتن؛ یعنی حالت عکس چیزی بود که انتظار میره! به نظر میاد که افت حسی مرتبط با سن (مثلاً کم شدن دقیق حس لامسه تو سن بالا)، گاهی تاثیری متفاوت از مسئلههای ذهنی ایجاد میکنه که اینم خودش کلی اطلاعات مفید برای بهتر کردن تست میده.
احتمالاً تنها نکته محدودکننده اینه که این تحقیق فقط روی بیماران با همون بیماری خاص انجام شده ـ یعنی هنوز نمیشه دقیق گفت که برای همه آدمها، نتیجه همینقدر معتبره یا نه. ولی چیزی که واضحه اینه که ترکیب همین تست با مدلهای هوش مصنوعی، یه راه خیلی راحت، سریع و بدون دردسر برای شناسایی اولیه اختلالات ذهنی به خصوص تو زبانها و فرهنگهایی مثل ژاپنی، فراهم میکنه.
خلاصه اینکه، دیگه لازم نیست همه چسبیده باشن به تستهای سنتی پیچیده یا صبر کنن تا مشکلات ذهنی شدیدتر بشه. این روش نهتنها روند غربالگری رو برای آدمهای بیشتر آسونتر میکنه، بلکه کلی هم هزینه و وقت صرفهجویی داره و اگه توسعه پیدا کنه، میتونه همهگیر بشه و تو خیلی کشورها کمک بزرگی باشه.
منبع: +
