Ο ΤΡΟΠΟΣ ΠΟΥ ΣΧΕΔΙΑΖΕΙΣ ΕΝΤΟΠΙΖΕΙ ΤΗ ΝΟΣΟ ΠΑΡΚΙΝΣΟΝ ΜΕ ΑΚΡΙΒΕΙΑ ΕΩΣ 99%

Ερευνητές χρησιμοποίησαν τεχνητή νοημοσύνη για να εντοπίσουν μοτίβα στη γραφή που συνδέονται με τη νόσο Πάρκινσον.

Είναι εντυπωσιακό πώς μια απλή γραμμή σε ένα χαρτί μπορεί να φανερώσει τι συμβαίνει στο νευρικό μας σύστημα. Στο εύρημα αυτό στηρίζονται πολλά χρόνια τώρα οι επιστήμονες, δημιουργώντας απλές ασκήσεις με σχέδια για να μελετήσουν νευρολογικές διαταραχές και νοσήματα.

Το «τεστ του ρολογιού» (Clock-Drawing Test), το οποίο καθιέρωσαν στις αρχές του 20ου αιώνα οι επιστήμονες για να εξετάζουν στρατιώτες για πιθανές εγκεφαλικές βλάβες, καθιερώθηκε ως γρήγορο εργαλείο αξιολόγησης πρώιμων σημείων άνοιας ή νόσου Αλτσχάιμερ. Ο εξεταζόμενος έπρεπε να σχεδιάσει σε ένα χαρτί έναν κύκλο, να τοποθετήσει τους αριθμούς από το 1 έως το 12 στις σωστές θέσεις και να βάλει τους δείκτες να δείχνουν μια συγκεκριμένη ώρα. Τα αποτελέσματα κρίνονταν από το πόσο ακριβής ήταν η σχεδίαση του ρολογιού.

Τώρα, μια νέα επιστημονική δημοσίευση υποστηρίζει ότι ο τρόπος που σχεδιάζουμε μια απλή σπείρα ή έναν μαιάνδρο μπορεί να κρύβει πολύτιμες πληροφορίες για τον κινητικό έλεγχο του χεριού, λειτουργία που διαταράσσει η νόσος Πάρκινσον.

Σύμφωνα με τους ερευνητές, οι εικόνες της γραφής παρέχουν χωρικά χαρακτηριστικά των ανωμαλιών της γραμμής, των παραμορφώσεων που προκαλούνται από τον τρόμο (τρέμουλο) και των αποκλίσεων στο σχήμα. iStock

Οι ερευνητές από την Ινδία, με επικεφαλής τον computer scientist Ishan Ayus από το Siksha ‘O’ Anusandhan University, ανέπτυξαν ένα σύστημα τεχνητής νοημοσύνης που ανέλυσε σχέδια και δεδομένα από μια ειδική γραφίδα, εντοπίζοντας με υψηλή ακρίβεια συμμετέχοντες με τη νευροκινητική διαταραχή.

Τι μπορεί να αποκαλύψει ένα σχέδιο;

Η νόσος Πάρκινσον επηρεάζει την κίνηση και τον μυϊκό έλεγχο, με κάποιες από τις αλλαγές αυτές να αποτυπώνονται στον τρόπο που γράφουμε ή σχεδιάζουμε. Ωστόσο, μικρές διαφορές στην ταχύτητα, την πίεση, τον συντονισμό και την ακρίβεια των κινήσεων δεν είναι πάντα δυνατόν να εντοπιστούν με γυμνό μάτι. Μπορούν όμως να καταγραφούν από ειδικούς αισθητήρες, όπως και συνέβη στη νέα μελέτη.

Οι ερευνητές ζήτησαν από 66 ανθρώπους, 31 με νόσο του Πάρκινσον και 35 χωρίς, να σχεδιάσουν σπείρες και μαιάνδρους συνεχόμενες γραμμές με τη βοήθεια μιας βιομετρικής «έξυπνης» γραφίδας. Η γραφίδα κατέγραφε ταυτόχρονα λεπτομέρειες από την ίδια την κίνηση του χεριού, όπως τη λαβή των δακτύλων, την πίεση, την κλίση και την επιτάχυνση.

Ο ΑΛΓΟΡΙΘΜΟΣ SNAKE ΣΥΝΔΥΑΣΕ ΤΙΣ ΕΚΤΙΜΗΣΕΙΣ ΤΩΝ ΓΛΩΣΣΙΚΩΝ ΜΟΝΤΕΛΩΝ ΚΑΙ ΔΙΑΓΝΩΣΕ ΤΗ ΝΟΣΟ ΠΑΡΚΙΝΣΟΝ ΜΕ ΑΚΡΙΒΕΙΑ 98,95% ΣΤΑ ΣΧΕΔΙΑ ΜΕ ΜΑΙΑΝΔΡΟΥΣ ΚΑΙ 97,74% ΣΤΑ ΣΧΕΔΙΑ ΜΕ ΣΠΕΙΡΕΣ.

«Οι εικόνες της γραφής παρέχουν χωρικά χαρακτηριστικά των ανωμαλιών της γραμμής, των παραμορφώσεων που προκαλούνται από τον τρόμο (τρέμουλο) και των αποκλίσεων στο σχήμα. Αντίθετα, τα σήματα από τους αισθητήρες καταγράφουν τη χρονική συμπεριφορά της κίνησης, η οποία περιλαμβάνει διακυμάνσεις στην ταχύτητα, ασυνέπειες στην πίεση και ελλείμματα στον συντονισμό», εξηγούν οι ερευνητές

Οι ερευνητές φόρτωσαν τις εικόνες των σχεδίων και τα δεδομένα των αισθητήρων σε εξειδικευμένα μοντέλα βαθιάς μάθησης, για να εντοπίσουν πιθανά μοτίβα που θα διαφοροποιούσαν τις κινήσεις των ανθρώπων με Πάρκινσον από εκείνες των υγιών συμμετεχόντων. Στη συνέχεια, ένας αλγόριθμος με την ονομασία SNAKE συνδύασε τις προβλέψεις τους, σταθμίζοντας την απόδοση κάθε μοντέλου. Το σύστημα πέτυχε ακρίβεια 98,95% στα σχέδια με μαιάνδρους και 97,74% στα σχέδια με σπείρες.

Παραδείγματα σπειρών από τη βάση δεδομένων NewHandPD: (α) άνδρας 58 ετών και (β) γυναίκα 28 ετών από την ομάδα ελέγχου, (γ) άνδρας 56 ετών και (δ) γυναίκα 65 ετών από την ομάδα ασθενών. Παραδείγματα μαιάνδρων από τη βάση δεδομένων NewHandPD: (α) άνδρας 58 ετών και (β) γυναίκα 28 ετών από την ομάδα ελέγχου, (γ) άνδρας 56 ετών και (δ) γυναίκα 65 ετών από την ομάδα ασθενών. Ayus et al., Discov. Comput., 2026

Γιατί η ακρίβεια 99% δεν σημαίνει νέο διαγνωστικό τεστ;

Παρά τα υψηλά ποσοστά, χρειάζεται προσοχή στην ερμηνεία τους. Η μελέτη βασίστηκε σε ένα πολύ μικρό δείγμα 66 ανθρώπων, το οποίο δεν επαρκεί για να αποτυπώσει την τεράστια κλινική ποικιλομορφία της νόσου στον γενικό πληθυσμό. Οι ίδιοι οι ερευνητές αναγνωρίζουν ότι τα ευρήματα αποτελούν απλώς μια ισχυρή ένδειξη των δυνατοτήτων της τεχνολογίας και όχι οριστική διαγνωστική απόδειξη. Χρειάζονται πολύ μεγαλύτερες κλινικές δοκιμές για να επιβεβαιωθεί αν η μέθοδος λειτουργεί εξίσου αξιόπιστα σε διαφορετικές ομάδες ασθενών.

«Συνολικά, η μελέτη αναδεικνύει τον αυξανόμενο ρόλο της τεχνητής νοημοσύνης στην πρώιμη και προσβάσιμη ανίχνευση νευρολογικών διαταραχών», καταλήγουν οι ερευνητές. «Το προτεινόμενο πλαίσιο θα μπορούσε τελικά να συμβάλει σε ένα μη επεμβατικό, χαμηλού κόστους και εξ αποστάσεως προσβάσιμο εργαλείο screening, υποστηρίζοντας τους γιατρούς στη λήψη αποφάσεων».