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.
زهرا
من چطور باید مقاله شو دانلود کنم
مدیر ایده زیست
سلام و وقت بخیر میتونید DOI مقاله رو توی سایت Sci-hub وارد کنید و دانلود ش کنید