هوش مصنوعی در خدمت تشخیص زودهنگام اتیسم؛ در دهه اخیر، رشد پرشتاب فناوری‌های نوین به‌ویژه هوش مصنوعی (AI)، فرصت‌های تازه‌ای را برای تحول در غربالگری و شناسایی اختلال طیف اتیسم (ASD) فراهم ساخته است.
در حالی که تشخیص بالینی این اختلال همچنان به ارزیابی‌های تخصصی نیاز دارد، پژوهشگران و توسعه‌دهندگان فناوری‌های سلامت در سراسر جهان در تلاش‌اند تا ابزارهایی مبتنی بر هوش مصنوعی طراحی کنند که بتواند غربالگری اولیه، سریع، و قابل‌دسترس را برای کودکان، به‌ویژه در مناطق کم‌منبع، ممکن سازد.
Hybrid Vision Transformer‑Mamba Framework for Autism Diagnosis via Eye‑Tracking Analysis
نویسندگان:
Wafaa Kasri, Yassine Himeur, Abigail Copiaco, Wathiq Mansoor, Ammar Albanna, Valsamma Eapen
منتشر شده در: ژوئن ۲۰۲۵
هوش مصنوعی در خدمت تشخیص زودهنگام اتیسم؛ فناوری‌های مبتنی بر AI در غربالگری اتیسم
۱. ردیابی نگاه و بینایی رایانه‌ای (Computer Vision)
یکی از روش‌های پیشرفته در غربالگری مبتنی بر هوش مصنوعی، استفاده از الگوریتم‌های یادگیری عمیق برای تحلیل الگوهای نگاه کودک هنگام مشاهده تصاویر یا ویدئوها است. به‌تازگی، ترکیب مدل Vision Transformer با معماری Mamba توانسته با دقت ۹۶/۷٪ کودکان دارای نشانه‌های اولیه اتیسم را صرفاً از طریق حرکات چشمی شناسایی کند. این ابزارها قابلیت اجرا بر روی تبلت‌ها و تلفن‌های همراه را دارند و از این رو در دسترس مراکز پیش‌دبستانی، کلینیک‌های سیار، یا خانواده‌ها قرار می‌گیرند.
۲. تحلیل چهره و رفتارهای غیرکلامی
با استفاده از فناوری پردازش ویدئو، الگوریتم‌های هوش مصنوعی قادر به تشخیص الگوهای رفتاری ظریف، حالات چهره، و تعاملات اجتماعی غیرکلامی در کودکان هستند. این روش به‌ویژه در غربالگری کودکان غیرکلامی یا در سنین پایین (زیر ۱۸ ماه) مؤثر گزارش شده است.
۳. تحلیل صوت و زبان
الگوهای صوتی، لحن گفتار، ساختار جمله و مکث‌ها، اطلاعات ارزشمندی در تشخیص اختلالات ارتباطی مرتبط با اتیسم فراهم می‌کنند. ابزارهایی مانند DeepSpectrum در حال توسعه مدل‌هایی هستند که از طریق گفتار کودک در مکالمه‌های کوتاه، احتمال وجود اختلال طیف اتیسم را تخمین می‌زنند.
۴. استفاده از EEG و حسگرهای فیزیولوژیک
در برخی پروژه‌های پیشرفته، تحلیل داده‌های نوار مغزی (EEG) با کمک شبکه‌های عصبی مصنوعی به منظور شناسایی الگوهای عصبی خاص در کودکان دارای اتیسم به کار گرفته می‌شود. بازی‌های مبتنی بر واقعیت افزوده (AR) همراه با ثبت EEG، امکان ارزیابی توجه، پردازش حسی و هیجانی کودک را فراهم می‌سازند.
نمونه پروژه‌های بین‌المللی
- CanvasDx (آمریکا): اپلیکیشنی برای غربالگری بر اساس گزارش والدین و ویدئوی کودک، مورد تأیید سازمان غذا و داروی آمریکا (FDA).
- LookMe AI (بریتانیا): ابزار ردیابی نگاه کودکان خردسال برای بررسی تعامل اجتماعی، در حال اجرا در مراکز سلامت عمومی
- پروژه EEG+AR (ژاپن و آمریکا): ترکیب EEG و بازی‌های واقعیت افزوده برای ارزیابی شناخت و پردازش هیجانی.
- AutismAI (هند): تحلیل تصویری هوشمند از ویدئوهای تعامل کودک با ربات تعاملی آموزشی.
چرا این تحولات مهم‌اند؟
- تسریع روند تشخیص
- کاهش نیاز به ابزارهای پرهزینه و وقت‌گیر
- قابل استفاده در محیط‌های خانگی
- مناسب برای کودکان غیربازگو یا کم‌کلام
- افزایش عدالت در دسترسی به خدمات تشخیصی
چالش‌ها و ملاحظات اخلاقی
۱. حفظ حریم خصوصی و داده‌های زیستی کودک
استفاده از ویدئوها یا داده‌های مغزی مستلزم رعایت شدید پروتکل‌های امنیت داده است.
۲. ملاحظات فرهنگی
تنوع در الگوهای رفتاری، زبان بدن و تعاملات اجتماعی در جوامع مختلف، نیازمند آموزش مدل‌های AI بر اساس داده‌های بومی و متنوع است.
۳. تفکیک ابزار غربالگری از تشخیص بالینی
این ابزارها به‌منظور غربالگری اولیه طراحی شده‌اند و نباید جایگزین تشخیص تخصصی روان‌شناس یا روان‌پزشک شوند.
۴. اخذ تأییدیه‌های قانونی و بالینی
بسیاری از این فناوری‌ها هنوز مراحل تأیید رسمی توسط نهادهای نظارتی در کشورها را طی نکرده‌اند.
Canvas Dx؛ اولین ابزار تشخیص اوتیسم مبتنی بر هوش مصنوعی با مجوز رسمی FDA
شرکت آمریکایی Cognoa موفق شده است مجوز بازاریابی «De Novo» از سازمان غذا و داروی آمریکا (FDA) را برای Canvas Dx دریافت کند. این ابزار، به‌صورت چندوجهی و با تکیه بر داده‌های رفتاری طبیعی کودک، مانند:
- فیلم‌هایی از بازی آزاد کودک در خانه
- پاسخ‌های والدین به پرسشنامه
- ارزیابی‌های تکمیلی پزشک متخصص
قادر است در مدت زمان بسیار کوتاه (حدود ۵-۶ روز) به تشخیص کمک کند.
دقت کلی سیستم: بیش از ۸۰٪ — با حساسیت قابل قبول برای شناسایی زودهنگام
نکته مهم: این سیستم به طور خاص برای کودکان ۱۸ تا ۷۲ ماه طراحی شده و در مطالعات بالینی، توانسته زمان تشخیص را تا یک و نیم سال زودتر از روش‌های سنتی کاهش دهد.
-
مدل Vision Transformer–Mamba؛ غربالگری بدون کلام با تحلیل حرکات چشم
در مقاله‌ای پژوهشی که در ژوئن ۲۰۲۵ منتشر شد، گروهی از پژوهشگران به سرپرستی دکتر Wafaa Kasri مدل ترکیبی جدیدی با نام ViT-Mamba معرفی کردند که می‌تواند تنها با ردیابی حرکات چشم کودکان، به شناسایی اوتیسم بپردازد. این مدل، بر اساس فناوری‌های نوین یادگیری عمیق (Deep Learning) و ترکیب دو معماری «Vision Transformer» و «Mamba»، قادر است:
- تفاوت‌های توجه بصری در کودکان دارای اوتیسم و کودکان نوروتایپیک را تحلیل کند
- تشخیص را بدون نیاز به زبان یا تعامل پیچیده، تنها بر اساس الگوهای نگاه (Fixation & Saccades) انجام دهد
- با دقت ۹۶٫۶٪ و حساسیت بالا، غربالگری مؤثری ارائه دهد
این روش به‌ویژه در کشورهای دارای منابع محدود، یا برای کودکان دو‌زبانه و کم‌توان گفتاری اهمیت ویژه‌ای دارد.
نوآوری در غربالگری اتیسم با کمک هوش مصنوعی
تحولی در تشخیص اوتیسم با هوش مصنوعی؛ دو دستاورد مهم جهانی در سال ۲۰۲۵
تشخیص سریع‌تر، دقیق‌تر و در دسترس‌تر با فناوری‌های نوین
در دنیای امروز که نقش فناوری‌های پیشرفته در سلامت روان کودکان پررنگ‌تر از همیشه شده، استفاده از هوش مصنوعی (AI) برای تشخیص اوتیسم به یکی از موضوعات داغ و امیدبخش بدل شده است. دو پیشرفت علمی مهم در سال ۲۰۲۵، مسیر آینده تشخیص اوتیسم را متحول کرده‌اند:
نتیجه‌گیری
ورود فناوری‌های مبتنی بر هوش مصنوعی به حوزه تشخیص زودهنگام اتیسم، گامی نو و امیدبخش در مسیر عدالت سلامت، تشخیص سریع‌تر و افزایش اثربخشی مداخلات است. با این حال، لازم است نهادهای علمی، درمانی و نیکوکاری با همکاری یکدیگر، چارچوب‌های اخلاقی، بومی‌سازی داده‌ها و استانداردهای اجرایی این فناوری‌ها را به دقت تدوین و پیاده‌سازی کنند. در صورت فراهم‌سازی زیرساخت‌های لازم، این فناوری‌ها می‌توانند در خدمت خانواده‌ها، مربیان، و مراکز تشخیص اولیه در سراسر کشور قرار گیرند و نقش مهمی در ارتقاء کیفیت زندگی کودکان طیف اتیسم ایفا کنند.
