مهروماه

پژوهشگران روسی در بررسی جدید خود سعی کرده‌اند روشی ارائه دهند که به ارزیابی سطح هوش از روی تصویر ام‌.آر.آی مغز کمک کند.

به نقل از مدیکال‌اکسپرس، دانشمندان روسی موفق شدند با پژوهش جدید خود، به جایگاه چهارم در رقابت‌های پیش‌بینی هوش با کمک ام‌.آر.آی دست یابند.

دانشمندان موسسه "اسکولتک"(Skoltech)، از روش‌های مبتنی بر شبکه‌های سه‌بعدی یادگیری ماشینی استفاده کردند تا بتوانند بر این پیش‌بینی چالش‌برانگیز غلبه کنند.

"موسسه ملی سلامت"(NIH) آمریکا در سال ۲۰۱۳، نخستین پژوهش در نوع خود را در حوزه بررسی مغز بزرگسالان آغاز کرد تا این موضوع را مورد ارزیابی قرار دهد که آیا سرگرمی‌ها و عادت‌های نوجوانان، رشد مغز آنها را تحت تاثیر قرار می‌دهد و در صورت مثبت بودن پاسخ، این فرآیند چگونه رخ می‌دهد.

ام‌.آر.آی، روشی متداول برای ثبت تصویر از اندام‌ها و بافت‌های داخل بدن انسان است. این سوال برای دانشمندان پیش آمده بود که آیا می‌توان سطح هوش را با بررسی تصویر ام‌.آر.آی مغز ارزیابی کرد یا خیر. پایگاه داده موسسه ملی سلامت، بیش از ۱۱ هزار تصویر از مغز کودکان بین ۹ تا ۱۰ سال را در برداشت.

دانشمندان موسسه ملی سلامت، یک رقابت بین‌المللی را آغاز کردند و پایگاه گسترده داده‌های خود را برای نخستین بار در دسترس جامعه بزرگ پژوهشگران قرار دادند. شرکت‌کنندگان باید یک مدل پیش‌بینی را بر اساس تصاویر مغز می‌ساختند.

دانشمندان اسکولتک، یک شبکه عصبی را برای پردازش تصویر ام‌.آر.آی به کار گرفتند. آنها برای این کار، یک معماری شبکه‌ای ارائه دادند که چندین مدل ریاضی را برای بررسی داده‌ها به کار می‌گیرد تا دقت پیش‌بینی را افزایش دهد. همچنین دانشمندان، روش جدیدی را برای ارزیابی داده‌های ام‌.آر.آی به کار گرفتند.

این گروهی پژوهشی در بررسی خود، بر پیش‌بینی سطح "هوش سیال"(fluid intelligence) تمرکز کردند که توانایی‌های بیولوژیکی سیستم عصبی را مشخص می‌کند و ارتباط کمی با دانش یا مهارت‌های کسب شده دارد. نکته مهم این است که دانشمندان، پیش‌بینی‌هایی را هم برای سطح هوش سیال و هم برای متغیر مستقل مورد نظر از جمله سن، جنسیت، اندازه مغز و تصویر ام‌.آر.آی ارائه دادند.

"اکاترینا کوندراتیوا"(Ekaterina Kondratyeva)، از دانشجویان مقطع دکتری موسسه اسکولتک گفت: گروه ما، روش‌های هوش مصنوعی را برای ارائه دانش رایانه‌ای در ارزیابی داده‌های ام‌.آر.آی ابداع کرده است. ما در این پژوهش، طبقه‌بندی‌هایی را برای پیش‌بینی بهتر شبکه‌های هوش مصنوعی ارائه دادیم که طبقه‌بندی تصویر را بدون از دست دادن اطلاعات ارزشمند فراهم می‌کنند.

نتایج این پژوهش می‌توانند به یافتن ارتباط میان هوش سیال و آناتومی مغز کودکان کمک کنند. اگرچه دقت این روش در پیش‌بینی، کمتر از میزان مورد نظر و کامل است اما این مدل‌ها خواهند توانست جنبه‌های گوناگون شناختی، اجتماعی، عاطفی و فیزیکی رشد بزرگسالان را مشخص کنند.