پژوهشگران "مایو کلینیک" سعی دارند با کمک یک الگوریتم جدید مبتنی بر هوش مصنوعی، به درمان بیماری‌های روانی و آسیب‌های مغزی بپردازند.
تحریک الکتریکی مغز در حال حاضر امکان درمان را برای میلیون‌ها نفر از افراد مبتلا به صرع و اختلالات حرکتی مانند پارکینسون گسترش می‌دهد. تحریک الکتریکی در آینده ممکن است به درمان افراد مبتلا به بیماری‌های روانی و آسیب‌های مستقیم مغزی مانند سکته کمک کند.
با وجود این، بررسی نحوه تعامل شبکه‌های مغزی با یکدیگر، کار پیچیده‌ای است. شبکه‌های مغزی را می‌توان با ارائه پالس‌های کوتاه جریان الکتریکی در یک ناحیه از مغز بیمار و در عین حال اندازه‌گیری پاسخ‌های ولتاژ در نواحی دیگر، مورد بررسی قرار داد. در اصل، باید بتوان ساختار شبکه‌های مغزی را از این داده‌ها استنباط کرد. این کار با استفاده از داده‌های جهان واقعی، دشوار است زیرا سیگنال‌های ثبت‌شده، پیچیده هستند و تنها می‌توان اندازه‌گیری‌های محدودی را انجام داد.
پژوهشگران “مایو کلینیک” (Mayo Clinic) برای کنترل این مشکل، مجموعه‌ای از نمونه‌ها و دیدگاه‌ها را ایجاد کردند که مقایسه اثرات تحریک الکتریکی بر مغز را ساده می‌کند. از آنجا که یک روش ریاضی برای توصیف نحوه همگرایی ورودی‌ها در نواحی مغز انسان وجود نداشت، این گروه پژوهشی با یک متخصص بین‌المللی الگوریتم های هوش مصنوعی همکاری کرد تا الگوریتم جدیدی موسوم به “شناسایی منحنی مشخصات پایه” (Basis Profile Curve Identification) را ایجاد کند.
در این پژوهش، از یک الکترود “الکتروکورتیکوگرافی” (Electrocorticographic) برای تعیین تشنج و نقشه‌برداری از مغز یک بیمار مبتلا به تومور مغزی پیش از برداشتن تومور او استفاده شد.
“کای میلر” (Kai Miller)، پژوهشگر ارشد این پروژه گفت: یافته‌های ما نشان می‌دهد که این الگوریتم جدید ممکن است به ما کمک کند تا بفهمیم کدام نواحی مغز مستقیما با یکدیگر در تعامل قرار دارند. این موضوع به نوبه خود ممکن است به تعیین محل قرارگیری الکترودهای دستگاه‌های تحریک‌کننده‌ای که برای درمان بیماری‌های مغزی به کار می‌روند، کمک کند. با ظهور فناوری جدید، این نوع الگوریتم ممکن است به ما در درمان بهتر بیماران مبتلا به صرع، اختلالات حرکتی مانند پارکینسون و بیماری‌های روانی مانند وسواس و افسردگی کمک کند.
“کلاوس روبرت مولر” (Klaus-Robert Mueller)، از پژوهشگران این پروژه گفت: داده‌های عصبی به دست آمده تا به امروز، شاید چالش‌برانگیزترین و هیجان‌انگیزترین داده‌ها برای پژوهشگران هوش مصنوعی در جهت مدل‌سازی باشند.
این پژوهش در مجله “PLOS Computational Biology” به چاپ رسید.
منبع: خبرگزاری دانشجویان ایران