به گزارش کارگروه فناوری اطلاعات سایبربان، محققان دانشگاه کالیفرنیای جنوبی یک روش هوش مصنوعی توسعه دادند که چگونگی پیرشدن نواحی مختلف مغز و ارتباط آن الگوهای منطقه‌ای با زوال شناختی را ترسیم می‌کند.
این مدل یادگیری عمیق با استفاده از اسکن‌های MRI از ۱۴۷۴۸ بزرگسال ۱۹ تا ۱۰۰ساله که از نظر شناختی سالم هستند، آموزش‌داده‌شده است. این مدل به‌جای کاهش پیری مغز به یک عدد واحد، سن ظاهری وُکسل‌های منفرد، واحدهای سه‌بعدی که اسکن MRI را تشکیل می‌دهند، را تخمین می‌زند.
محققان این مدل را روی اسکن‌های بیش از ۱۹۰۰ شرکت‌کننده دیگر، از جمله بزرگسالان سالم از نظر شناختی و افراد مبتلا به اختلال شناختی خفیف یا بیماری آلزایمر، آزمایش کردند.
شرکت‌کنندگان مبتلا به اختلال شناختی، سن ظاهری مغز مسن‌تری را در هیپوکامپ، آمیگدال و سایر ساختارهایی که معمولاً در طول مراحل اولیه آسیب‌شناسی آلزایمر تحت‌تأثیر قرار می‌گیرند، نشان دادند. سن منطقه‌ای بالاتر مغز نیز با نتایج ضعیف‌تر آزمایش‌های شناختی مرتبط بود و قوی‌ترین روابط در بین شرکت‌کنندگان مبتلا به بیماری آلزایمر یافت شد.
در میان بزرگسالان سالم از نظر شناختی، لوب‌های پیشانی و گیجگاهی عموماً مسن‌تر از نواحی آهیانه و پس‌سری به نظر می‌رسیدند. نیمکره راست نیز صرف‌نظر از راست‌دست یا چپ‌دست بودن شرکت‌کنندگان، پیری کمی پیشرفته‌تر از نیمکره چپ را نشان داد.
رویکرد منطقه‌ای می‌تواند به محققان کمک کند تا بررسی کنند که تخریب عصبی در کجا متمرکز شده است، پیشرفت بیماری را رصد کنند و ارزیابی کنند که آیا درمان‌های تجربی بر نواحی هدف مغز تأثیر می‌گذارند یا خیر.
بااین‌حال، این سیستم همچنان یک ابزار تحقیقاتی است و نه یک آزمایش تشخیصی. این سیستم در درجه اول بر اساس اسکن‌های باکیفیت تحقیقاتی آموزش‌دیده است، درحالی‌که بخش عمده‌ای از تجزیه و تحلیل‌ها مقطعی بودند. داده‌های بالینی متنوع و مطالعات طولانی‌مدت برای تعیین اینکه آیا نقشه‌ها می‌توانند به طور قابل‌اعتمادی پیش‌بینی کنند که چه کسی به اختلال شناختی یا بیماری آلزایمر مبتلا خواهد شد، موردنیاز است.
