مطالعه جدیدی که توسط محققان دانشگاه نورث وسترن انجام شد، از یادگیری ماشین برای شناسایی الگوهای گفتاری در کودکان مبتلا به اوتیسم استفاده کرد که بین انگلیسی و کانتونی همخوانی داشت و نشان داد که ویژگی‌های گفتار ممکن است ابزار مفیدی برای تشخیص این بیماری باشد.
این مطالعه که با همکارای پژوهشگران در هنگ کنگ انجام شد، بینش‌هایی را به دست آورد که می‌تواند به دانشمندان کمک کند تا بین عوامل ژنتیکی و محیطی که توانایی‌های ارتباطی افراد مبتلا به اوتیسم را شکل می‌دهند تمایز قائل شوند و به طور بالقوه به آنها کمک کند تا درباره منشاء این بیماری بیشتر بیاموزند و درمان‌های جدیدی را توسعه دهند.
کودکان مبتلا به اوتیسم معمولا آهسته تر از کودکان در حال رشد معمولی صحبت می کنند و تفاوت های دیگری در زیر و بم، آهنگ و ریتم از خود نشان می دهند. اما توصیف این تفاوت‌ها به‌طور شگفت‌انگیزی دشوار بوده است که به روشی ثابت و عینی مشخص شود، و منشأ آنها برای دهه‌ها نامشخص مانده است.
با این حال، تیمی از محققان به رهبری دانشمندان شمال غربی به نام مولی لوش و جوزف سی. لاو، همراه با همکار هنگ‌کنگ پاتریک وانگ و تیمش، با موفقیت از یادگیری ماشینی نظارت شده برای شناسایی تفاوت‌های گفتاری مرتبط با اوتیسم استفاده کردند.
داده‌های مورد استفاده برای آموزش الگوریتم، ضبط‌شده از جوانان انگلیسی و کانتونی‌زبان با و بدون اوتیسم بود که روایت خود را از داستان بیان می‌کردند که در کتاب تصویری کودکانه بدون کلمه به نام «قورباغه، کجایی؟»
لاو گفت که استفاده از یادگیری ماشینی برای شناسایی عناصر کلیدی گفتار که پیش بینی کننده اوتیسم هستند، گامی رو به جلو برای محققانی است که به دلیل سوگیری زبان انگلیسی در تحقیقات اوتیسم و ذهنیت انسان ها در طبقه بندی تفاوت های گفتاری بین افراد مبتلا به اوتیسم و افراد بدون آن ،محدود شده اند.
لاو افزود: “با استفاده از این روش، ما توانستیم ویژگی های گفتاری را که می تواند تشخیص اوتیسم را پیش بینی کند، شناسایی کنیم.
برجسته ترین آن ویژگی ها ریتم است. ما امیدواریم که این مطالعه بتواند پایه ای برای کار آینده در مورد اوتیسم باشد که از یادگیری ماشینی استفاده می کند.”
محققان بر این باورند که کار آنها پتانسیل کمک به درک بهتر اوتیسم را دارد. لاو گفت که هوش مصنوعی این پتانسیل را دارد که تشخیص اوتیسم را با کمک به کاهش بار روی متخصصان مراقبت های بهداشتی آسان تر کند و تشخیص اوتیسم را برای افراد بیشتری در دسترس قرار دهد. همچنین می‌تواند ابزاری را ارائه کند که ممکن است روزی از فرهنگ‌ها فراتر رود، زیرا رایانه قادر است کلمات و صداها را به روشی کمی بدون توجه به زبان تجزیه و تحلیل کند.
لوش گفت، از آنجایی که ویژگی‌های گفتار شناسایی شده از طریق یادگیری ماشینی شامل ویژگی‌های مشترک در زبان انگلیسی و کانتونی و ویژگی‌های مختص یک زبان است، یادگیری ماشینی می‌تواند برای توسعه ابزارهایی مفید باشد که نه تنها جنبه‌های گفتار مناسب برای مداخلات درمانی را شناسایی می‌کنند، بلکه می‌توانند اندازه‌گیری کنند.
در نهایت، نویسندگان می‌گویند که نتایج این مطالعه می‌تواند تلاش‌ها را برای شناسایی و درک نقش ژن‌های خاص و مکانیسم‌های پردازش مغز دخیل در حساسیت ژنتیکی به اوتیسم را نشان دهد. در نهایت، هدف آنها ایجاد تصویر جامع تری از عواملی است که افراد مبتلا به تفاوت های گفتاری اوتیسم را شکل می دهند.
لاو گفت: یکی از شبکه‌های مغزی که می‌تواند در این امر دخیل باشد، مسیر شنوایی است که با تفاوت در نحوه پردازش صداها در مغز افراد مبتلا به اوتیسم ارتباط دارد.
وی افزود: گام بعدی ما، شناسایی تفاوت در پردازش الگوهای گفتاری در مغز و بررسی ژنتیک عصبی ورای آنها است. ما در مورد آنچه در پیش رو است، هیجان‌زده هستیم.
