بررسی جدید پژوهشگران "دانشگاه نورث‌وسترن" نشان می‌دهد که هوش مصنوعی می‌تواند الگوهای گفتار را در کودکان مبتلا به اوتیسم شناسایی کند.
به گزارش ایسنا و به نقل از نوروساینس نیوز، پژوهش جدیدی که به سرپرستی "دانشگاه نورث‌وسترن"(Northwestern University) انجام شده است، از یادگیری ماشینی استفاده می‌کند تا الگوهای گفتار را در کودکان مبتلا به اوتیسم شناسایی کند. نتیجه این پژوهش، بین زبان‌های انگلیسی و کانتونی هم‌خوانی داشت و نشان داد که بررسی ویژگی‌های گفتاری ممکن است روش مفیدی برای تشخیص دادن این بیماری باشد.
این پژوهش که با همکاری پژوهشگران هنگ کنگ انجام شد، نتایجی را به همراه داشت که می‌توانند به دانشمندان کمک کنند تا بین عوامل ژنتیکی و محیطی که توانایی‌های ارتباطی افراد مبتلا به اوتیسم را شکل می‌دهند، تمایز قائل شوند. همچنین، این روش می‌تواند به دانشمندان کمک کند تا درباره منشاء این بیماری بیشتر بیاموزند و درمان‌های جدیدی را ارائه دهند.
کودکان مبتلا به اوتیسم، اغلب آهسته‌تر از کودکان معمولی صحبت می‌کنند و تفاوت‌هایی را در زیر و بم، آهنگ و ریتم صحبت از خود نشان می‌دهند. با وجود این، توصیف این تفاوت‌ها همیشه به طور شگفت‌انگیزی دشوار بوده و منشأ آنها برای دهه‌ها نامشخص مانده است.
اکنون "مالی لاش"(Molly Losh) و "جوزف لاو"(Joseph Lau)، پژوهشگران دانشگاه نورث‌وسترن و "پاتریک وانگ"(Patrick Wong) و گروهش در هنگ کنگ، با موفقیت از یادگیری ماشینی برای شناسایی تفاوت‌های گفتاری مرتبط با اوتیسم استفاده کرده‌اند.
داده‌های مورد استفاده برای آموزش این الگوریتم، با ضبط صدای جوانان انگلیسی‌زبان و کانتونی‌زبان به دست آمد که به اوتیسم مبتلا نبودند و روایت خود را از داستانی بیان می‌کردند که در یک کتاب تصویری کودکانه و بدون کلمه به نام "قورباغه! کجایی؟" آمده بود.
لاش گفت: تفاوت‌های ساختاری که ما مشاهده کردیم، ممکن است به ویژگی‌های گفتاری اشاره کنند که انعطاف‌پذیرتر هستند و می‌توانند اهداف خوبی برای مداخله باشند.
لاو گفت: استفاده از یادگیری ماشینی برای شناسایی عناصر کلیدی گفتار که پیش‌بینی‌کننده اوتیسم هستند، گامی رو به جلو برای پژوهشگرانی است که به دلیل سوگیری زبان انگلیسی در تحقیقات اوتیسم و ذهنیت انسان‌ها در طبقه‌بندی تفاوت‌های گفتاری بین افراد مبتلا به اوتیسم و افراد بدون آن، محدود شده‌اند.
وی افزود: ما با استفاده از این روش توانستیم ویژگی‌های گفتاری را شناسایی کنیم که می‌توانند به پیش‌بینی اوتیسم کمک کنند. برجسته‌ترین مورد از این ویژگی‌ها، ریتم گفتار است. ما امیدواریم که این پژوهش بتواند پایه‌ای برای پژوهش‌های آینده در مورد اوتیسم باشد که از یادگیری ماشینی استفاده می‌کنند.
پژوهشگران بر این باورند که پژوهش آنها می‌تواند به درک بهتر اوتیسم کمک کند. لاو گفت: هوش مصنوعی با کاهش باری که روی شانه متخصصان مراقبت‌های بهداشتی قرار دارد، می‌تواند تشخیص اوتیسم را آسان‌تر کند و امکان تشخیص را برای افراد بیشتری در دسترس قرار دهد. همچنین، هوش مصنوعی می‌تواند روشی را ارائه کند که ممکن است روزی از فرهنگ‌ها فراتر رود زیرا رایانه قادر است کلمات و صداها را به روشی کمّی و بدون توجه به زبان تجزیه و تحلیل کند.
لاش گفت: از آنجا که ویژگی‌های گفتاری شناسایی‌شده از طریق یادگیری ماشینی، ویژگی‌های مشترک در زبان انگلیسی و کانتونی را در بر دارند، یادگیری ماشینی می‌تواند برای توسعه روش‌هایی سودمند باشد که نه تنها جنبه‌های گفتار مناسب برای مداخلات درمانی را شناسایی می‌کنند، بلکه می‌توانند آنها را به مرور زمان ارزیابی کنند.
پژوهشگران می‌گویند که نتایج این پژوهش در نهایت می‌توانند تلاش‌هایی را برای شناسایی و درک نقش ژن‌های خاص و مکانیسم‌های پردازش مغز شکل دهند که در حساسیت ژنتیکی نسبت به اوتیسم دخیل هستند. هدف آنها در نهایت، ایجاد تصویر جامع‌تری از عواملی است که در افراد مبتلا به تفاوت‌های گفتاری اوتیسم وجود دارند.
لاو گفت: یکی از شبکه‌های مغزی که می‌تواند در این امر دخیل باشد، مسیر شنوایی است که با تفاوت در نحوه پردازش صداها در مغز افراد مبتلا به اوتیسم ارتباط دارد.
وی افزود: گام بعدی ما، شناسایی تفاوت در پردازش الگوهای گفتاری در مغز و بررسی ژنتیک عصبی ورای آنها است. ما در مورد آنچه در پیش رو است، هیجان‌زده هستیم.
این پژوهش، در مجله "PLOS One" به چاپ رسید.