بزرگنمايي:

سیاست و بازاریابی - ایسنا / پیش‌بینی پاسخ بیماران مبتلا به افسردگی به درمان، یکی از چالش‌های پزشکی است. در همین راستا، پژوهشگران دانشگاه تهران با همکاری محققان دانشگاه تگزاس شمالی، امکان استفاده از هوش مصنوعی و تحلیل امواج مغزی برای شناسایی بیمارانی را بررسی کردند که به درمان تحریک مغناطیسی مغز پاسخ می‌دهند. نتایج این پژوهش نشان می‌دهد این فناوری هنوز تا تبدیل شدن به ابزاری قابل اتکا برای پیش‌بینی پاسخ بیماران فاصله دارد.
چرا برخی بیماران مبتلا به افسردگی به درمان‌های رایج پاسخ نمی‌دهند و چرا یک روش درمانی برای بعضی افراد مؤثر است، اما برای برخی دیگر نتیجه‌ای ندارد؟ پیش‌بینی پاسخ بیماران به درمان یکی از چالش‌های مهم روان‌پزشکی است؛ چالشی که شاید هوش مصنوعی و تحلیل امواج مغزی بتوانند به حل آن کمک کنند.
یکی از روش‌های درمان افسردگی در بیمارانی که به داروهای رایج پاسخ نمی‌دهند، تحریک مغناطیسی مکرر مغز (rTMS) است. این روش غیرتهاجمی با ارسال پالس‌های مغناطیسی به بخش‌هایی از مغز، فعالیت نواحی مرتبط با تنظیم خلق‌وخو را تحت تأثیر قرار می‌دهد. با این حال، همه بیماران به این درمان پاسخ یکسانی نمی‌دهند.
در همین راستا، دو نفر از اعضای هیئت‌علمی دانشگاه تهران با همکاری پژوهشگران دانشگاه تگزاس شمالی، امکان پیش‌بینی پاسخ بیماران به این درمان را با استفاده از هوش مصنوعی و تحلیل امواج مغزی بررسی کردند.
دقت ۹۹ درصدی هوش مصنوعی که با آزمون دقیق‌تر فرو ریخت
پژوهشگران اطلاعات نوار مغزی دو گروه از بیماران شامل ۱۵ و ۴۶ نفر را بررسی کردند. همه این افراد یک دوره ۲۰ جلسه‌ای درمان با تحریک مغناطیسی مغز را پشت سر گذاشته بودند.
در مرحله نخست، پژوهشگران سیگنال‌های نوار مغزی را به قطعات ۲۰ ثانیه‌ای تقسیم کردند و در اختیار مدل هوش مصنوعی قرار دادند. نتیجه اولیه چشمگیر بود؛ دقت پیش‌بینی مدل در گروه نخست به ۹۹.۹ درصد و در گروه دوم به ۹۱.۹ درصد رسید.
اما یک مشکل وجود داشت: قطعات مختلف نوار مغزی یک بیمار می‌توانستند هم در مرحله آموزش و هم در مرحله ارزیابی مدل استفاده شوند. به این ترتیب، هوش مصنوعی هنگام آزمون با اطلاعاتی روبه‌رو می‌شد که نمونه‌هایی از آن را پیش‌تر دیده بود.
پژوهشگران برای ارزیابی دقیق‌تر، داده‌های هر بیمار را فقط در یکی از دو مرحله آموزش یا آزمون قرار دادند تا مدل ناچار باشد پاسخ افرادی را پیش‌بینی کند که قبلاً اطلاعات مغزی آن‌ها را ندیده است. با این تغییر، عملکرد مدل به‌شدت افت کرد؛ به‌طوری‌که توانایی آن در تشخیص بیمارانی که به درمان پاسخ می‌دادند، از افرادی که پاسخ نمی‌دادند، تقریباً به سطح پیش‌بینی تصادفی رسید. این یافته نشان داد که دقت بالای اولیه احتمالاً به دلیل شناسایی ویژگی‌های اختصاصی امواج مغزی هر بیمار بوده است، نه یادگیری الگوهای مرتبط با پاسخ به درمان.
ترکیب تصاویر مغزی، دقت پیش‌بینی را افزایش داد
پژوهشگران برای بهبود عملکرد مدل، دو روش تحلیل امواج مغزی را با یکدیگر ترکیب کردند و تصاویر حاصل را در اختیار یک شبکه عصبی قرار دادند. آن‌ها دو شیوه ترکیب تصاویر را آزمایش کردند: قرار دادن تصاویر روی یکدیگر و چیدن آن‌ها در کنار هم. نتایج نشان داد روش دوم عملکرد بهتری دارد.
مدل طراحی‌شده با این روش توانست در گروه نخست بیماران، پاسخ به درمان را با دقت ۸۲.۷ درصد پیش‌بینی کند. همچنین مقایسه آن با ۱۳ مدل دیگر نشان داد که نحوه ترکیب تصاویر امواج مغزی، بیش از پیچیدگی و اندازه شبکه عصبی در عملکرد هوش مصنوعی تأثیر دارد. با این حال، زمانی که مدل روی گروه دوم شامل ۴۶ بیمار آزمایش شد، دقت آن به ۵۱.۳ درصد کاهش یافت.
تا استفاده بالینی همچنان فاصله وجود دارد
پژوهشگران تفاوت در نحوه تولید تصاویر مغزی و زمان ثبت داده‌ها را از عوامل احتمالی اختلاف نتایج دو گروه می‌دانند. تعداد محدود شرکت‌کنندگان نیز از دیگر محدودیت‌های این مطالعه است. یکی دیگر از محدودیت‌های این مطالعه نیز این است که اطلاعات مربوط به سن، جنسیت و طول مدت ابتلا به افسردگی تنها برای گروه دوم ثبت شده بود و این متغیرها برای بیماران گروه نخست در دسترس پژوهشگران قرار نداشت.
این پژوهش نشان می‌دهد که استفاده از هوش مصنوعی برای پیش‌بینی پاسخ بیماران به درمان‌های روان‌پزشکی ظرفیت امیدوارکننده‌ای دارد، اما دقت بالای مدل‌ها در آزمایش‌های اولیه لزوماً به معنای عملکرد موفق آن‌ها در مواجهه با بیماران جدید نیست.
به همین دلیل، پژوهشگران بر ضرورت ارزیابی مدل‌ها با داده‌های مستقل و در جمعیت‌های بالینی بزرگ‌تر تأکید دارند. این اقدام می‌تواند مشخص کند آیا تحلیل امواج مغزی در آینده به انتخاب درمان مناسب‌تر برای بیماران مبتلا به افسردگی کمک خواهد کرد یا خیر.
یافته‌های این مطالعه با عنوان «Fusion techniques of time frequency-based images to predict the outcome of rTMS depression therapy» در نشریه Biomedical Signal Processing and Control منتشر شده است.