تشخیص آلزایمر و پارکینسون از روی چهره با کمک هوش مصنوعی

جهان صنعت نیوز، با گسترش کاربردهای هوش مصنوعی در پزشکی، این فناوری به‌تدریج وارد حوزه‌های پیچیده‌تر نیز شده است. به‌طوری که اکنون تحلیل و درک عملکرد مغز انسان با استفاده از این فناوری مورد توجه پژوهشگران قرار گرفته است.

پژوهشگران با انجام یک «مرور روایی» و بررسی مطالعات پیشین، نشان داده‌اند که چهره انسان می‌تواند به‌عنوان یک شاخص مهم در شناسایی زودهنگام برخی بیماری‌های عصبی عمل کند؛ به‌ویژه زمانی که این تحلیل با کمک هوش مصنوعی انجام شود.

این مطالعه که توسط پژوهشگران دانشگاه‌های علوم پزشکی تهران، قزوین و بم و دانشگاه آزاد اسلامی انجام شده است، از یک ایده ساده شروع شده است. مغز مدت‌ها پیش از این‌که علائم معمول را نشان دهد، بیماری را در چهره افراد نشان می‌دهد.

وقتی چهره زودتر هشدار می‌دهد

در بیماری‌هایی مثل آلزایمر، پارکینسون، ای‌ال‌اس (ALS) و صرع، مغز فقط حافظه یا حرکت را تحت تأثیر قرار نمی‌دهد؛ بلکه روی عضلات صورت، نحوه نگاه کردن، هماهنگی چشم‌ها و حتی ریتم ظریف حالات چهره هم اثر می‌گذارد.

برای مثال؛ در پارکینسون چهره حالت بی‌روح یا بی حالت پیدا می‌کند و با کاهش ابراز احساسات همراه است. در آلزایمر پاسخ‌های عاطفی، تقارن صورت و الگوهای حرکت چشم تغییر می‌کند. بیماری ای ال اس حرکات لب، دهان و قسمت پایین صورت مختل می‌شود و در صرع در هنگامی که تشنج به وجود می‌آید، الگوهای حرکتی صورت متمایزی ایجاد می‌کند.

با این وجود؛ این تغییرات اغلب آن‌قدر ظریف‌اند که در معاینه‌های معمول قابل تشخیص نیستند و در مراحل اولیه نگاه انسانی قادر به تشخیص آن‌ها نیست. اما هوش مصنوعی می‌تواند تغییرات جزئی را تشخیص دهد.

مدل‌های هوش مصنوعی که «ریزترین حرکت‌ها» را هم می‌بینند

این مطالعه مروری نشان می‌دهد که مدل‌های یادگیری عمیق و بینایی ماشین در سال‌های اخیر به سطحی از دقت رسیده‌اند که می‌توانند الگوهای بیماری را فقط از روی تصویر یا ویدئوی صورت تشخیص دهند.

در این مطالعه چند تکنیک هوش مصنوعی که دقت بالایی در تمایز بیماری داشته‌اند را بررسی شده است.

مدل‌های یادگیری عمیق مانند CNN و ResNet می‌توانند آلزایمر را با دقت حدود ۸۵ تا ۹۵ درصد از روی تصاویر چهره تشخیص می‌دهند. مدل‌هایی مانند LSTM و SVM در شناسایی نشانه‌های پارکینسون، در برخی آزمون‌ها به دقت‌های بسیار بالا (تا حدود ۹۹ درصد) رسیده‌اند. تحلیل ویدئویی بدون نیاز به نشانگر، توانسته بیماران ای‌ال‌اس را با حدود ۸۹ درصد دقت از افراد سالم جدا کند. سیستم‌های یادگیری مکانی–زمانی نیز می‌توانند انواع صرع را بر اساس حرکات صورت مرتبط با تشنج طبقه‌بندی کنند و برنامه‌ریزی قبل از جراحی را بهبود بخشند.

به گفته پژوهشگرانی که در انجام این مطالعه مشارکت داشته‌اند؛ پیشرفت در بینایی کامپیوتر، دقت تشخیصی را به طرز چشمگیری بهبود بخشیده و نیاز به روش‌های تهاجمی یا گران‌قیمت را کاهش داده‌اند.

روش‌های فعلی تشخیص بیماری‌های عصبی مثل  ام آر آی، پت اسکن، الکتروانسفالوگرافی و آزمایش‌های ژنتیکی، برای تشخیص بیماری‌های زوال عصبی در مراحل اولیه ممکن است پرهزینه‌ باشند. از طرف دیگر، بسیاری از این روش‌ها برای تشخیص خیلی زودهنگام، حساسیت کافی ندارند.

تحلیل چهره با کمک هوش مصنوعی در مقایسه با روش‌های تشخیصی تهاجمی، مزایای قابل توجهی دارد؛ از جمله اینکه غیرتهاجمی است، هزینه کمتری دارد و دسترسی به آن آسان‌تر است. همچنین این روش امکان انجام از راه دور یا در منزل را فراهم می‌کند و می‌تواند به پایش مداوم وضعیت بیمار و پیشرفت بیماری در طول زمان کمک کند.

این ویژگی‌ها استفاده از هوش مصنوعی برای تشخیص بیماری‌های زوال عصبی را به گزینه‌ای جذاب برای نظام‌های سلامت تبدیل می‌کند، به‌خصوص در جهانی که بیماری‌های عصبی رو به افزایش‌اند.

این فناوری هنوز در مراحل اولیه قرار دارد

با وجود تمام این امیدها، پژوهشگران تأکید می‌کنند که این فناوری هنوز به مرحله بلوغ بالینی نرسیده است. 

مسیر استفاده از هوش مصنوعی در تحلیل چهره با چالش‌های مهمی همراه است؛ از جمله اینکه عواملی مانند تغییر نور، زاویه دوربین یا حتی آرایش می‌توانند بر نتایج تأثیر بگذارند. همچنین بسیاری از پژوهش‌ها هنوز بر داده‌های محدود تکیه دارند و همین موضوع باعث می‌شود این مدل‌ها در جمعیت‌های مختلف به‌خوبی قابل تعمیم نباشند. در کنار این مسائل فنی، نگرانی‌های جدی درباره حریم خصوصی نیز مطرح است؛ زیرا داده‌های چهره نه‌تنها اطلاعات پزشکی، بلکه بخشی از هویت فرد را نیز در بر می‌گیرند و همین موضوع آن را به یک مرز حساس اخلاقی تبدیل می‌کند.

آینده این فناوری

پژوهشگران تأکید می‌کنند که آینده تشخیص بیماری‌های عصبی صرفاً به تحلیل چهره محدود نخواهد بود. آن‌ها معتقدند بهترین دقت زمانی به دست می‌آید که داده‌های چهره با سایر نشانه‌های دیجیتال سلامت مانند الگوهای گفتار، نحوه راه رفتن، حرکات چشم و دیگر شاخص‌های رفتاری ترکیب شود. چنین رویکرد چندلایه‌ای می‌تواند تصویر کامل‌تر و دقیق‌تری از وضعیت مغز ارائه دهد و زمینه را برای حرکت به سمت پزشکی شخصی‌سازی‌شده فراهم کند.

در نهایت می‌توان گفت که چهره انسان می‌تواند زودتر از بسیاری از ابزارهای پزشکی، نشانه‌هایی از بیماری‌های عصبی را آشکار کند و هوش مصنوعی در حال تبدیل شدن به ابزاری است که این نشانه‌های پنهان را قابل‌دیدن می‌کند. اما همان‌طور که پژوهشگران تأکید می‌کنند، تا رسیدن به استفاده بالینی گسترده، هنوز به داده‌های بزرگ‌تر، استانداردهای دقیق‌تر و آزمون‌های واقعی در محیط‌های درمانی نیاز است.

منابع:

Goudarzi, N., Taheri, Z., Nezhad Salari, A., Kazemzadeh, K. and Tafakhori, A. (2025) Recognition and classification of facial expression using artificial intelligence as a key of early detection in neurological disorders. Reviews in the Neurosciences, Vol. 36 (Issue 5), pp. 479-495. https://doi.org/10.1515/revneuro-2024-0125                   

اجتماعی و فرهنگی