به گزارش ایده زیست نوترکیب به نقل از ساینس دیلی، یک مطالعه جدید به رهبری دانشگاه دانشگاه نورث وسترن از یادگیری ‏ماشینی-شاخه ای از هوش مصنوعی-برای شناسایی الگوی صحبت ‏کردن در کودکان مبتلا به اوتیسم استفاده کردند که بین زبان ‏انگلیسی و کانتونی (Cantonese) سازگار بود و پیشنهاد میکند که ویژگی های صحبت ‏کردن ممکن است ابزاری مفید برای تشخیص اوتیسم باشد.‏
این مطالعه که با کمک مشارکت کنندگان از هنگ کنگ انجام شده است ‏منجر به بینشی جدید شده که میتواند به دانشمندان در تفکیک بین ‏عوامل ژنتیکی و محیطی ای که توانایی برقراری ارتباط را در افراد مبتلا ‏به اوتیسم شکل می دهد کمک کرده و به طور بالقوه به دانشمندان در ‏خصوص منشا آن و شناسایی درمان های جدید یاری کند. ‏
کودکان مبتلا به اوتیسم اغلب آهسته تر از کودکان دیگر صحبت ‏میکنند و تفاوت های دیگری را در زیر و بم صدا و اهنگ و ریتم ‏صدا نشان میدهند (چیزی که محققان آن را تفاوت ‏هایprosodic ‎‏ می نامند) که به طرز شگفت انگیزی توصیف ‏آنها به صورت ثابت و عینی دشوار بوده و منشا آنها برای دهه ها ‏مبهم بوده است. ‏
با این حال، تیمی از محققان دانشگاه نورث وسترن به رهبری ‏دکتر مولی لوش و همکاری محققانی از هنگ کنگ به سرپرستی ‏پاتریک وونگ از یادگیری ماشینی نظارت شده (‏supervised ‎machine learning‏) برای شناسایی تفاوت های صحبت ‏کردن افراد مبتلا به اوتیسم استفاده کردند. ‏‏
اطلاعات استفاده شده برای آموزش الگوریتم صداهای ضبط شده ‏افرادی با زبان انگلیسی و لهجه کانتونی دارای اوتیسم و بدون ‏اوتیسم بود که داستان ساخته خودشان را از یک کتاب مصور ‏بدون نوشته به نام ” قورباغه کجایی” می خواندند. نتایج این ‏مطالعه در مجله ‏PLOS One‏ به چاپ رسیده است. ‏

به گفته دکتر لوش که استاد ناتوانی های یادگیری دانشگاه نورث ‏وسترن است: وقتی شما زبان هایی دارید که از نظر ساختاری ‏بسیار متفاوت اند، هر تشابهی در الگوی صحبت کردن در اوتیسم ‏بین زبان ها احتمالا ویژگی ای است که به احتمال قوی متاثر از ‏ژنتیک است. اما تنوعی که مشاهده کردیم مربوط به ویژگی های ‏زبانی ای است که بسیار انعطاف پذیر اند و میتوانند به عنوان ‏اهداف خوبی برای مداخله قرار گیرند.‏
ایشان افزودند: استفاده از یادگیری ماشینی برای شناسایی عوامل ‏کلیدی صحبت کردن که پیشبینی کننده اوتیسم باشد گامی به ‏جلو در تحقیقاتی بود که به شکل سو گیرانه ای در مورد تفاوت ‏بین صحبت کردن در افراد اوتیسم و افراد غیر اوتیسم محدود به ‏زبان انگلیسی بود. ‏
دکتر لائو گفت با استفاده از این روش ویژگی های زبانی ای را ‏شناسایی کردیم که میتواند تشخیص اوتیسم را پیش بینی کند. ‏برجسته ترین ویژگی در این خصوص ریتم است. ما امیدواریم که ‏این مطالعه بتواند بستری بری کارهای آینده در مورد اوتیسم به ‏کمک یادگیری ماشینی باشد. ‏
این محققان باور دارند که این پژوهش پتانسیلی برای افزایش ‏درک ما از اوتیسم را دارد. هوش مصنوعی این پتانسیل را دارد که ‏تشخیص اوتیسم را با کمک به کاهش زحمت متخصصین سلامت ‏آسان تر کند و تشخیص اوتیسم را برای افراد بیشتری امکان پذیر ‏کند. این روش میتواند در آینده به ابزاری منتهی شود که روزی ‏از فرهنگ های مختلف فراتر برود، زیرا کامپیوتر ها این توانایی ‏را دارند که کلمات و صدا ها را به صورت کمی صرف نظر از نوع ‏زبان آنالیز کنند.‏
به این علت که ویژگی های زبانی شناسایی شده به کمک ‏یادگیری ماشینی شامل مواردی است که در بین دو زبان مشترک ‏است و نیز مواردی که مختص یک زبان است، یادگیری ماشینی ‏نه تنها برای توسعه ابزار هایی که ویژگی های زبانی مناسب ‏برای مداخلات درمانی را شناسایی کند میتواند مناسب باشد بلکه ‏میتواند میزان اثر این مداخلات را با مرور ارزیابی پیشرفت فردی ‏که صحبت میکند مشخص کند. ‏
در نهایت، نتایج این مطالعه میتواند به شناسایی و درک نقش ژن ‏های خاص و مکانیسم های پردازش مغزی مربوط به استعداد ‏ژنتیکی اوتیسم کمک کند. در نهایت، هدف آنها ایجاد تصویری ‏جامع تر از فاکتور هایی است که میتواند تفاوت های بین صحبت ‏افراد مبتلا به اوتیسم را شکل دهد. ‏
به گفته دکتر لائو یکی از شبکه های مغزی که در این مورد نقش ‏دارد مسیر های شنوایی در سطح زیر کورتکس است که به طرز ‏قوی ای به نحوه پردازش صداهای سخن گفتن در مغز مربوط ‏است. مرحله بعدی این خواهد بود که تفاوت های پردازشی در ‏مغز بین افراد اوتیسم و غیر اوتیسم را که منجر به تفاوت های ‏رفتاری که اینجا در الگوی صحبت مشاهده کردیم شده را شناسایی کنیم. ما بسیار از انچه پیش ‏رویمان هست هیجان زده هستیم.‏

منبع 

مقاله پژوهش