• یکشنبه / ۶ آبان ۱۴۰۳ / ۱۵:۲۲
  • دسته‌بندی: پژوهش
  • کد خبر: 1403080604313
  • خبرنگار : 71567

گام بزرگ محققان دانشگاه تهران در تشخیص زودهنگام بیماری‌های مغزی

گام بزرگ محققان دانشگاه تهران در تشخیص زودهنگام بیماری‌های مغزی

روش نوین پژوهشگران دانشگاه تهران برای تخمین سن زیستی مغز انسان، تشخیص زودهنگام بیماری‌های عصبی را ممکن می‌کند.

به گزارش ایسنا، در این پژوهش که در قالب یپایان‌نامه ایمان کیانیان، دانشجوی کارشناسی ارشد علوم کامپیوتر دانشگاه تهران، به راهنمایی دکتر هدیه ساجدی، عضو هیأت علمی دانشکده ریاضی، آمار و علوم کامپیوتر دانشگاه تهران انجام شده، روشی نوین برای تخمین سن زیستی مغز انسان معرفی شده است که می‌تواند گامی مؤثر در تشخیص زودهنگام بیماری‌های عصبی مرتبط با پیری، مانند آلزایمر و پارکینسون باشد.

تخمین سن زیستی مغز بر اساس ویژگی‌های ساختاری و عملکردی، ابزاری کارآمد در ارزیابی روند پیری مغز و پیش‌بینی تغییرات شناختی است. به این منظور، مغز باید به‌طور کامل و جامع بررسی و ویژگی‌های آن به صورت داده‌های دقیق جمع‌آوری شود. دکتر هدیه ساجدی، عضو هیأت علمی دانشکدگان علوم دانشگاه تهران، درباره روش نوین طراحی‌شده برای تخمین سن مغز انسان گفت: «مدلی که در پژوهش اخیر در دانشگاه تهران با عنوان «مدل دومسیره حریص» معرفی شده، بر پایه یادگیری ماشین و استفاده از تصاویر ام‌آرآی طراحی شده و قادر است بدون نیاز به داده‌های وسیع و پرهزینه، دقت بالایی در تحلیل و تخمین سن مغز به دست آورد».

این پژوهشگر علوم کامپیوتر و هوش مصنوعی درباره ویژگی‌های این مدل نوآورانه گفت: «مدل معرفی‌شده با استفاده از شبکه‌های عصبی پیچیده و الگوریتم‌های یادگیری عمیق، تصاویر ام‌آرآی مغز را به‌صورت مقطعی تجزیه و تحلیل می‌کند. این مدل از دو مسیر برای تحلیل هم‌زمان اطلاعات استفاده می‌کند: مسیر محلی که به بررسی دقیق بخش‌های خاصی از مغز می‌پردازد و مسیر کلی که از دید جامع‌تری برای تحلیل بهره می‌برد. سپس، نتایج به دست آمده از هر دو مسیر، توسط یک بخش ویژه برای اصلاح و ترکیب نهایی پردازش می‌شوند. در نهایت، این پردازش ترکیبی، تخمینی دقیق از سن زیستی مغز ارائه می‌دهد که برای ارزیابی سریع و دقیق وضعیت مغزی و سلامت شناختی فرد بسیار کاربردی است».

کیانیان درباره فرایند پژوهش چنین توضیح داد: «یکی از چالش‌های موجود در فرایند این پژوهش، فقدان دسترسی به مجموعه داده‌های بزرگ ام‌آرآی در ایران بوده است. در حالی که بسیاری از مدل‌های پیشرفته در این زمینه برای عملکرد بهینه، به داده‌های وسیع و متنوع نیاز دارند، این مدل با استفاده از داده‌های محدود داخلی توانسته است به نتایج قابل مقایسه‌ای با مدل‌های پیچیده‌تر دست یابد. بهره‌گیری از داده‌های داخلی، همچنین به دلیل ویژگی‌های خاص زیستی و فرهنگی ملیت ایرانی، امکان تحلیل‌های دقیق‌تر و واقع‌گرایانه‌تر را فراهم کرده است. این امر، نشان‌دهنده قدرت مدل در انطباق با داده‌های محلی و کارایی آن در موقعیت‌هایی با داده‌های محدود است».

کیانیان درباره دیگر مزایای روش نوین معرفی‌شده گفت: «این مدل سرعت بالایی در پردازش دارد و قادر است با دریافت تصویر ام‌آرآی، سن زیستی مغز را در کمتر از یک ثانیه تشخیص بدهد. این سرعت، به‌ویژه در ارزیابی‌های بالینی و پایش‌های سریع کاربرد دارد و می‌تواند به پزشکان کمک کند تا با دقت بیشتری وضعیت شناختی بیماران خود را ارزیابی کنند و اقدامات پیشگیرانه و درمانی لازم را در زمان مناسب آغاز نمایند».

دکتر ساجدی درباره امکان توسعه این مدل در آینده گفت: «روش پیشنهادی این امکان را دارد که به ابزاری جامع‌تر برای پیش‌بینی و تحلیل روند پیری مغز تبدیل شود. به عنوان مثال، با جمع‌آوری داده‌های بیشتر و بهبود فناوری‌های تصویربرداری، مدل‌های پیشرفته‌ای می‌توانند توسعه یابند که با داده‌های گسترده‌تر و پیچیده‌تر کار کنند و الگوهای دقیق‌تری از پیری مغز را شناسایی کنند. این فناوری همچنین می‌تواند به عنوان ابزاری برای پایش مستمر وضعیت مغز به کار رود و به پزشکان و محققان کمک کند تا از روند پیری مغز در سطح کلان و به‌مرور زمان آگاهی پیدا کنند».

استاد دانشگاه تهران در پایان درباره کاربرد مدل‌های هوشمند در پزشکی افزود: «این روش نوین نه تنها به پزشکان و محققان در تشخیص و درمان بیماری‌های مرتبط با سن کمک می‌کند، بلکه با ایجاد یک پایه علمی برای توسعه فناوری‌های آینده، راه را برای ظهور ابزارهای پیشرفته‌تر و مقرون‌به‌صرفه‌تر در حوزه پزشکی باز می‌کند. سرمایه‌گذاری در چنین مدل‌هایی، علاوه بر ارتقای کیفیت زندگی، می‌تواند تأثیرات مثبتی بر بهبود سلامت عمومی و کاهش بار مالی درمان بیماری‌های مرتبط با پیری مغز داشته باشد».

نتایج این پژوهش به تازگی از سوی الزویر در نشریه Neurocomputing منتشر شده و از طریق پیوند زیر دست‌یافتنی است:


Brain age estimation with a greedy dual-stream model for limited datasets

انتهای پیام

  • در زمینه انتشار نظرات مخاطبان رعایت چند مورد ضروری است:
  • -لطفا نظرات خود را با حروف فارسی تایپ کنید.
  • -«ایسنا» مجاز به ویرایش ادبی نظرات مخاطبان است.
  • - ایسنا از انتشار نظراتی که حاوی مطالب کذب، توهین یا بی‌احترامی به اشخاص، قومیت‌ها، عقاید دیگران، موارد مغایر با قوانین کشور و آموزه‌های دین مبین اسلام باشد معذور است.
  • - نظرات پس از تأیید مدیر بخش مربوطه منتشر می‌شود.

نظرات

شما در حال پاسخ به نظر «» هستید.
لطفا عدد مقابل را در جعبه متن وارد کنید
captcha