تحلیل حالات چهره مبتنی بر هوش مصنوعی ابزاری قدرتمند برای تشخیص زودهنگام اختلالات عصبی

این بررسی بوسیله پژوهشگران دانشگاه‌های علوم پزشکی تهران، قزوین و بم و دانشگاه آزاد اسلامی بررسی می‌کند که چگونه تکنیک‌های پیشرفته بینایی رایانه‌ای و یادگیری ماشینی به طور فزاینده‌ای قادر به تشخیص تغییرات ظریف و خاص صورت، مدت‌ها قبل از آشکار شدن کامل علائم بالینی معمول هستند.

 

چرا چهره در مغز و اعصاب اهمیت دارد

بیماری‌های عصبی معمولاً عضلات صورت، پردازش احساسات، حرکات چشم و بیان کلی را مختل می‌کنند. به عنوان مثال:

-بیماری پارکینسون باعث ایجاد «صورت بی‌روح یا بی‌حالت» می‌شود که با کاهش ابراز احساسات می‌شود.

-بیماری آلزایمر پاسخ‌های عاطفی، تقارن صورت و الگوهای حرکت چشم را تغییر می‌دهد.

-بیماری ای‌ال‌اس حرکات لب، دهان و قسمت پایین صورت را مختل می‌کند.

-صرع در هنگامی تشنج به وجود می‌آورد، الگوهای حرکتی صورت متمایزی ایجاد می‌کند.

این ناهنجاری‌ها اغلب ظریف هستند و در مراحل اولیه به راحتی نادیده گرفته می‌شوند - اما هوش مصنوعی می‌تواند تغییرات جزئی را که برای چشم انسان نامرئی هستند، تشخیص دهد.

سیستم‌های هوش مصنوعی دقت بالایی را در تمایز  بین این اختلالات نشان می‌دهند

این بررسی عملکرد قوی چندین تکنیک هوش مصنوعی را گزارش می‌دهد:

• مدل‌های یادگیری عمیق مانند CNNها، Xception، ResNet50 با دقت بیش از 85 تا 95 درصد در تشخیص بیماران آلزایمر از افراد سالم تنها از طریق تصاویر صورت به دست می‌آورند.
• تجزیه و تحلیل حالات چهره با استفاده از مدل‌های LSTM و SVM، سفتی صورت مرتبط با پارکینسون را با **تا 99 درصد امتیاز F1 در وظایف خاص شناسایی می‌کند.
• تجزیه و تحلیل مبتنی بر ویدیوی بدون نشانگر می‌تواند بیماران ای‌ال‌اس را با تقریباً 89 درصد دقت از افراد سالم متمایز کند.
• سیستم‌های یادگیری عمیق مکانی-زمانی می‌توانند انواع صرع را بر اساس حرکات صورت مرتبط با تشنج طبقه‌بندی کنند و برنامه‌ریزی قبل از جراحی را بهبود بخشند.

به گفته این پژوهشگران، پیشرفت‌ها در بینایی کامپیوتر - مانند شبکه‌های عصبی کانولوشن، روش‌های مبتنی بر ویژگی‌های محلی، جنگل‌های تصادفی و تجزیه و تحلیل ویدیوی چندوجهی - دقت تشخیصی را به طرز چشمگیری بهبود بخشیده و نیاز به روش‌های تهاجمی و گران‌قیمت را کاهش داده‌اند.

ابزارهای تشخیصی فعلی مانند ام‌‌آرآی، پت اسکن، الکتروانسفالوگرافی و آزمایش ژنتیک برای بیماری‌های زوال عصبی در مراحل اولیه ممکن است پرهزینه و تهاجمی باشند یا به اندازه کافی حساس نباشند.

تشخیص حالات چهره مبتنی بر هوش مصنوعی مزایای متعددی را ارائه می‌دهد:

-غیرتهاجمی بودن

-کم‌هزینه و در دسترس بودن

-مناسب بودن برای نظارت از راه دور یا در خانه

-مفید بودن برای ردیابی مداوم پیشرفت بیماری

این بررسی تأکید می‌کند که سیستم‌های هوش مصنوعی حالات چهره می‌توانند به یک ابزار غربالگری ارزشمند تبدیل شوند، به ویژه با توجه به اینکه بار جهانی زوال عقل و اختلالات حرکتی افزایش می‌یابد.

 

چالش‌ها همچنان پابرجا هستند

با وجود وعده‌های داده شده، تحلیل چهره مبتنی بر هوش مصنوعی با محدودیت‌های قابل توجهی روبرو است:

- تغییرپذیری به دلیل روشنایی، موقعیت سر، تغییرات مرتبط با سن، آرایش و کیفیت دوربین

- مجموعه داده‌های کوچک در بسیاری از مطالعات

- مسائل مربوط به تعمیم‌پذیری در بین جمعیت‌ها

- نگرانی‌های اخلاقی در مورد حریم خصوصی داده‌های چهره

پرداختن به این محدودیت‌ها برای ادغام سیستم‌های بیان چهره مبتنی بر هوش مصنوعی در عصب‌شناسی بالینی بسیار مهم خواهد بود.

 

گام بعدی چیست؟

این پژوهشگران پیش‌بینی می‌کنند که ترکیب تحلیل چهره با سایر نشانگرهای زیستی دیجیتال - مانند الگوهای گفتاری، تحلیل راه رفتن و ردیابی چشم - به طور قابل توجهی تشخیص زودهنگام و استراتژی‌های درمانی شخصی‌سازی شده را در عصب‌شناسی بهبود می‌بخشد.

این بررسی نتیجه‌گیری می‌کند: «تشخیص چهره با هوش مصنوعی ممکن است راه را برای ابزارهای تشخیصی دقیق، غیرتهاجمی و مقرون به صرفه هموار کند.»

این پژوهشگران خواستار مجموعه داده‌های بزرگتر، پروتکل‌های استاندارد و اعتبارسنجی بالینی در دنیای واقعی می‌شوند.

 

منبع: https://www.degruyterbrill.com/document/doi/10.1515/revneuro-2024-0125/html