در این پست از سایت بنو بررسی می‌کنیم هوش مصنوعی چگونه به بیماران حرکتی کمک می‌کند تا از راه دور ویزیت و مورد بررسی پزشک قرار بگیرند.

چالش ویزیت فیزیکی بیماران

رفتن به مطب پزشک می‌تواند دردسرساز باشد. این کار به‌ویژه برای والدین بچه‌هایی که اختلالات حرکتی مثل فلج مغزی دارند، می‌تواند چالش‌برانگیزتر باشد، چون یک پزشک باید به‌طور منظم اغلب یک ساعت در هر بارکودک را به‌صورت حضوری ارزیابی کند. رسیدن به این ارزیابی‌های مکرر می‌تواند هزینه‌بر، زمان‌بر و از نظر روحی خسته‌کننده باشد.

 

مهندسان MIT امیدوارند با یک روش جدید که به‌طور از راه دور عملکرد حرکتی بیماران را ارزیابی می‌کند، بخشی از این فشار را کاهش دهند. با ترکیب تکنیک‌های بینایی کامپیوتری و یادگیری ماشین، این روش ویدیوهای بیماران را به‌صورت زنده تحلیل می‌کند و یک نمره بالینی از عملکرد حرکتی بر اساس الگوهای خاصی از حالت‌هایی که در فریم‌های ویدیو شناسایی می‌کند، محاسبه می‌کند.

 

محققان این روش را بر روی ویدیوهای بیش از ۱۰۰۰ کودک مبتلا به فلج مغزی آزمایش کردند. آن‌ها دریافتند که این روش می‌تواند هر ویدیو را پردازش کند و یک امتیاز بالینی تعیین کند که با دقت بیش از ۷۰ درصد با آنچه پزشک قبلاً در بازدید حضوری مشخص کرده، مطابقت دارد.

 

تحلیل ویدیو می‌تواند بر روی انواع دستگاه‌های موبایل انجام شود. تیم فرض می‌کند که بیماران می‌توانند با تنظیم تلفن یا تبلت خود برای فیلم‌برداری در حال حرکت در منزل خود، پیشرفت خود را ارزیابی کنند. سپس آن‌ها می‌توانند ویدیو را در برنامه‌ای بارگذاری کنند که به سرعت فریم‌های ویدیو را تحلیل کرده و یک امتیاز بالینی یا سطح پیشرفت تعیین کند. ویدیو و امتیاز سپس می‌تواند به یک پزشک برای بررسی ارسال شود.

 

اکنون تیم در حال مناسب سازی این روش برای ارزیابی کودکان مبتلا به لوکودستروفی متاكروماتیک است — یک اختلال ژنتیکی نادر که بر سیستم عصبی مرکزی و محیطی اثر می‌گذارد. آن‌ها همچنین امیدوارند این روش را برای ارزیابی بیمارانی که دچار سکته مغزی شده‌اند، تطبیق دهند.

 

هرمانو کربس، پژوهشگر اصلی در دپارتمان مهندسی مکانیک MIT می‌گوید: “ما می‌خواهیم کمی از استرس بیماران را کاهش دهیم تا مجبور نباشند برای هر ارزیابی به بیمارستان بروند. ما فکر می‌کنیم این فناوری می‌تواند به صورت موثر برای ارزیابی از راه دور هر شرایطی که بر رفتار حرکتی تأثیر می‌گذارد، استفاده شود.”

 

آموزش شبکه

در MIT، کربس سیستم‌های رباتیکی توسعه می‌دهد که به‌طور فیزیکی با بیماران کار می‌کنند تا به آن‌ها کمک کنند تا عملکرد حرکتی خود را به دست آورند یا تقویت کنند. او همچنین این سیستم‌ها را طوری تنظیم کرده است که پیشرفت بیماران را ارزیابی کرده و پیش‌بینی کند کدام درمان‌ها می‌توانند برای آن‌ها بهترین باشند. در حالی که این فناوری‌ها به خوبی کار کرده‌اند، اما به‌طور قابل توجهی در دسترسی محدود هستند: بیماران باید به بیمارستان یا مرکزی بروند که ربات‌ها در آنجا قرار دارند.

 

کربس به یاد می‌آورد: “ما از خودمان پرسیدیم، چگونه می‌توانیم نتایج خوبی که با ربات‌های توانبخشی به دست آوردیم را به یک دستگاهی که در همه جا در دسترس است، گسترش دهیم؟” او ادامه می‌دهد: “از آنجایی که گوشی‌های هوشمند در همه‌جا هستند، هدف ما این بود که از قابلیت‌های آن‌ها برای ارزیابی از راه دور افراد با ناتوانی‌های حرکتی استفاده کنیم، به‌طوری‌که بتوانند در هر جا ارزیابی شوند.”

محققان ابتدا به بینایی کامپیوتر و الگوریتم‌هایی که حرکات انسانی را تخمین می‌زنند، نگاه کردند. در سال‌های اخیر، دانشمندان الگوریتم‌های تخمین وضعیت را توسعه داده‌اند که طراحی شده‌اند تا یک ویدیو – به عنوان مثال، از دختری که یک توپ فوتبال را شوت می‌کند – را گرفته و حرکات او را به یک سری وضعیت‌های اسکلت معادل، به‌صورت زنده تبدیل کنند. دنباله خطوط و نقاط به دست آمده را می توان به مختصاتی ترسیم کرد که دانشمندان می توانند بیشتر تحلیل کنند.

 

کربس و همکارانش هدفشان توسعه یک روش برای تحلیل داده‌های وضعیت اسکلت بیماران مبتلا به فلج مغزی بود – اختلالی که به‌طور سنتی بر اساس سیستم طبقه‌بندی عملکرد حرکتی کلی (GMFCS) ارزیابی شده است، که یک مقیاس پنج‌سطحی است و عملکرد عمومی حرکتی یک کودک را نشان می‌دهد. (هرچه عدد کمتر باشد، تحرک کودک بیشتر است.)

 

تیم با یک مجموعه داده‌های عمومی از حرکات اسکلت که توسط آزمایشگاه بیومکانیک عصبی دانشگاه استنفورد تولید شده بود، کار کرده است. این مجموعه شامل ویدیوهایی از بیش از ۱۰۰۰ کودک مبتلا به فلج مغزی بود. هر ویدیو نشان‌دهنده یک کودک بود که در یک محیط بالینی، مجموعه‌ای از تمرینات را انجام می‌داد و هر ویدیو با نمره GMFCS که یک پزشک پس از ارزیابی حضوری به کودک اختصاص داده بود، برچسب‌گذاری شده است. گروه استنفورد ویدیوها را از طریق یک الگوریتم تخمین حرکات عبور دادند تا داده‌های حرکتی اسکلت را تولید کنند که گروه MIT سپس از آن به عنوان نقطه شروع برای مطالعه خود استفاده کرده است.

 

محققان سپس به دنبال راه‌هایی بودند تا به طور خودکار الگوهای موجود در داده‌های فلج مغزی را که مختص هر سطح عملکرد حرکتی بالینی است، رمزگشایی کنند. آن‌ها با یک شبکه عصبی کانولوشنی گراف فضایی-زمانی(Spatial-Temporal Graph Convolutional Neural Network) شروع کردند — یک فرآیند یادگیری ماشین که به کامپیوتر آموزش می‌دهد تا داده‌های فضایی که در طول زمان تغییر می‌کنند، مانند یک توالی از حرکات اسکلت، را پردازش کرده و یک طبقه‌بندی اختصاص دهد.

 

قبل از اینکه تیم شبکه عصبی را بر روی فلج مغزی اعمال کند، از مدلی که بر روی یک مجموعه داده عمومی‌تر پیش‌آموزش داده شده بود، استفاده کرده است. ورودی این مدل شامل ویدیوهایی از بزرگسالان سالم بود که فعالیت‌های روزمره مختلفی مانند راه رفتن، دویدن، نشستن و دست دادن را انجام می‌دادند. آن‌ها هسته این مدل پیش‌آموزش داده شده را برداشتند و یک لایه طبقه‌بندی جدید به آن اضافه کردند که مختص نمرات بالینی مربوط به فلج مغزی بود. آن‌ها شبکه را برای شناسایی الگوهای خاص در حرکات کودکان مبتلا به فلج مغزی و طبقه‌بندی دقیق آن‌ها در سطح‌های اصلی ارزیابی بالینی تنظیم کردند.

 

آن‌ها دریافتند که شبکه پیش‌آموزش داده شده توانست به درستی سطوح تحرک کودکان را طبقه‌بندی کند و این کار را با دقت بیشتری نسبت به زمانی که فقط بر روی داده‌های فلج مغزی آموزش دیده بود، انجام داد.

 

ژائو توضیح می‌دهد “زیرا شبکه بر روی یک مجموعه داده بسیار بزرگ از حرکات عمومی‌تر آموزش دیده است، ایده‌هایی درباره اینکه چگونه ویژگی‌ها را از یک توالی از حالت‌های انسانی استخراج کند، دارد. در حالی که مجموعه داده بزرگتر و مجموعه داده‌های فلج مغزی ممکن است متفاوت باشند، اما الگوهای مشترکی از اقدامات انسانی و چگونگی کدگذاری این اقدامات دارند.”

 

تیم روش خود را بر روی تعدادی از دستگاه‌های موبایل، از جمله انواع اسمارت‌فون‌ها، تبلت‌ها و لپ‌تاپ‌ها آزمایش کرد و متوجه شد که بیشتر دستگاه‌ها می‌توانند برنامه را با موفقیت اجرا کرده و نمره بالینی را از ویدیوها تقریباً به‌صورت آنی تولید کنند.

 

محققان اکنون در حال توسعه اپلیکیشنی هستند که تصور می‌کنند والدین و بیماران می‌توانند روزی از آن برای تجزیه و تحلیل خودکار ویدیوهای بیماران که در محیط آسایش آنها گرفته شده است استفاده کنند. سپس نتایج می تواند برای ارزیابی بیشتر به پزشک ارسال شود. این تیم همچنین در حال برنامه ریزی برای تطبیق این روش برای ارزیابی سایر اختلالات عصبی است.

 

کربس می‌گوید: «در آینده، این ممکن است به ما کمک کند پیش‌بینی کنیم که بیماران چگونه به مداخلات زودتر پاسخ می‌دهند. زیرا می‌توانیم آنها را بیشتر ارزیابی کنیم تا ببینیم آیا یک مداخله تأثیر دارد یا خیر.»

این تحقیق توسط مرکز توسعه تاکدا آمریکا پشتیبانی شده است.

 

برای اطلاعات بیشتر درباره این پروژه، می‌توانید از  مقاله منتشر شده آنها بازدید کنید.

اگه به مطالعه در مورد هوش مصنوعی و کاربرد های آن علاقه مند هستید میتوانید پست قبلی سایت بنو  را مشاهده کنید.