ხელოვნური ინტელექტის (Artificial Intelligence, AI) ინტეგრაცია თანამედროვე მედიცინაში სულ უფრო ფართოვდება და განსაკუთრებით პერსპექტიულ მიმართულებად მიიჩნევა ისეთი დაავადებებისა და მდგომარეობების ადრეული გამოვლენა, რომელთა დიაგნოსტიკა ამჟამად ძირითადად კლინიკურ შეფასებასა და ქცევითი ნიშნების ანალიზს ეფუძნება. ამ კონტექსტში განსაკუთრებულ ინტერესს იწვევს ნეიროგანვითარებითი დარღვევები, მათ შორის აუტიზმის სპექტრის აშლილობა (Autism Spectrum Disorder, ASD) და ყურადღების დეფიციტისა და ჰიპერაქტიურობის სინდრომი (Attention Deficit Hyperactivity Disorder, ADHD), რომელთა ადრეული დიაგნოსტიკა კვლავ მნიშვნელოვან კლინიკურ გამოწვევად რჩება. ამის ერთ-ერთი მთავარი მიზეზია დაავადებისთვის სპეციფიკური და ფართოდ ვალიდირებული ფიზიკური ტესტებისა თუ ბიოლოგიური ბიომარკერების არარსებობა. შესაბამისად, დიაგნოზის დასმა დღესაც ემყარება განვითარებისა და ქცევის კომპლექსურ შეფასებას ისეთი საერთაშორისო ინსტრუმენტების გამოყენებით, როგორიცაა Diagnostic and Statistical Manual of Mental Disorders (DSM-5), Autism Diagnostic Observation Schedule (ADOS) და Conners Rating Scales, რაც ხშირად ხანგრძლივ პროცესს წარმოადგენს და ადრეული ინტერვენციის დაწყებას აყოვნებს.
ბოლო წლებში ნეირომეცნიერების, ოფთალმოლოგიისა და ხელოვნური ინტელექტის განვითარების პარალელურად გაჩნდა ახალი კონცეფცია, რომლის მიხედვითაც ბადურა (რეტინა), როგორც ცენტრალური ნერვული სისტემის ემბრიოლოგიური გაგრძელება, შესაძლოა ერთგვარ „ფანჯარას“ წარმოადგენდეს თავის ტვინში მიმდინარე ნეირობიოლოგიური პროცესების შესაფასებლად. სწორედ ამ იდეაზე დაყრდნობით ამერიკელმა 17 წლის მოსწავლემ ედვარდ კანგმა (Edward Kang) შეიმუშავა ინოვაციური ხელოვნური ინტელექტის პლატფორმა RetinaMind, რომელმაც 2026 წელს აშშ-ის ერთ-ერთ ყველაზე პრესტიჟულ სამეცნიერო კონკურსზე — Regeneron Science Talent Search-ზე — მეორე ადგილი და 175 000 დოლარის ოდენობის ჯილდო მოიპოვა. აღნიშნულმა პროექტმა განსაკუთრებული ყურადღება მიიპყრო არა მხოლოდ ხელოვნური ინტელექტის გამოყენების ინოვაციური მიდგომით, არამედ იმითაც, რომ იგი აერთიანებს კომპიუტერულ მოდელირებასა და ექსპერიმენტულ ბიოლოგიურ კვლევებს.
RetinaMind ეფუძნება კონვოლუციურ ნეირონულ ქსელებს (Convolutional Neural Network, CNN), რომლებიც სპეციალურადაა შექმნილი სამედიცინო გამოსახულებების ავტომატური ანალიზისა და კლასიფიკაციისთვის. სისტემა ამუშავებს ბადურის გამოსახულებებს და სწავლობს ისეთი მიკროსტრუქტურული მახასიათებლების ამოცნობას, რომლებიც ადამიანის თვალისთვის პრაქტიკულად შეუმჩნეველია. დიაგნოსტიკური სიზუსტის გასაზრდელად გამოყენებულია ანსამბლური სწავლების (Ensemble Learning) მეთოდი, რომლის დროსაც რამდენიმე დამოუკიდებელი ხელოვნური ინტელექტის მოდელი ერთსა და იმავე გამოსახულებას ერთმანეთისგან დამოუკიდებლად აანალიზებს, ხოლო საბოლოო შედეგი მათი პროგნოზების გაერთიანებისა და საშუალო მაჩვენებლის (Voting Approach) გამოთვლის საფუძველზე ფორმირდება. განსხვავებით ადრინდელი მოდელებისგან, რომლებიც მხოლოდ ნეიროტიპული და აუტიზმის მქონე პირების ერთმანეთისგან გარჩევაზე იყო ორიენტირებული, RetinaMind ასრულებს გაცილებით უფრო რთულ და კლინიკურად მნიშვნელოვან ამოცანას — ახდენს დიფერენციულ კლასიფიკაციას ნეიროტიპულ ინდივიდებს, აუტიზმის სპექტრის აშლილობისა და ADHD-ის მქონე პაციენტებს შორის. სისტემა თითოეული შესაძლო დიაგნოზისთვის განსაზღვრავს ნდობის (confidence) პროცენტულ მაჩვენებელს და საბოლოო დიაგნოზად ასახელებს ყველაზე მაღალი ალბათობის მქონე მდგომარეობას.
ხელოვნური ინტელექტის გადაწყვეტილების ინტერპრეტაციის გასაუმჯობესებლად RetinaMind იყენებს Gradient-weighted Class Activation Mapping (GradCAM) ტექნოლოგიას, რომლის მეშვეობითაც გენერირდება ე.წ. „სითბური რუკა“ (Heat Map). აღნიშნული ვიზუალიზაცია კლინიცისტს საშუალებას აძლევს დაინახოს ბადურის კონკრეტული უბნები, რომლებიც ალგორითმმა ყველაზე მნიშვნელოვნად მიიჩნია დიაგნოზის განსაზღვრისას. ინტერპრეტირებადი ხელოვნური ინტელექტის (Explainable AI) გამოყენება თანამედროვე სამედიცინო ტექნოლოგიების ერთ-ერთ უმნიშვნელოვანეს მოთხოვნას წარმოადგენს, რადგან ზრდის როგორც კლინიკოსების ნდობას, ისე მოდელის პრაქტიკულ გამოყენებადობას.
RetinaMind-ის შექმნა ეფუძნება იმ მეცნიერულ მტკიცებულებებს, რომლებიც მიუთითებს, რომ ნეიროგანვითარებითი დარღვევების მქონე პირებში ბადურის გარკვეული ანატომიური თავისებურებები საშუალოდ განსხვავდება ჯანმრთელი პოპულაციისგან. ოპტიკური კოჰერენტული ტომოგრაფიის (Optical Coherence Tomography, OCT) გამოყენებით ჩატარებული კვლევების მიხედვით, ცვლილებები შეიძლება აღინიშნოს მაკულის, ბადურის ნერვული ბოჭკოების ფენის (Retinal Nerve Fiber Layer, RNFL) და სხვა რეტინალური შრეების სისქესა და სტრუქტურაში. თუმცა ეს განსხვავებები, როგორც წესი, უმნიშვნელოა და მნიშვნელოვნად ემთხვევა ნორმალური პოპულაციის მაჩვენებლებს, რის გამოც მათი ვიზუალური შეფასება პრაქტიკულად შეუძლებელია. RetinaMind სწორედ ამ რთული, ერთმანეთთან გადაჯაჭვული და ადამიანის თვალისთვის შეუმჩნეველი მიკროსტრუქტურული პატერნების ერთდროულ ანალიზს ახორციელებს, რის შედეგადაც ASD-ისა და ADHD-ის კლასიფიკაციისას დაახლოებით 89%-იან დიაგნოსტიკურ სიზუსტეს აღწევს.
პროექტის ერთ-ერთ მნიშვნელოვან უპირატესობას წარმოადგენს ის, რომ იგი მხოლოდ კომპიუტერულ მოდელირებას არ ეფუძნება. სისტემის შემქმნელმა პარალელურად ჩაატარა ლაბორატორიული in vitro კვლევებიც, რომელთა მიზანი ბადურაში აღმოჩენილი ცვლილებების შესაძლო ბიოლოგიური საფუძვლების დადგენა იყო. კვლევის ფარგლებში იდენტიფიცირდა თორმეტი კანდიდატი გენი, რომლებიც შესაძლოა ერთდროულად მონაწილეობდნენ როგორც ბადურის, ისე ცენტრალური ნერვული სისტემის განვითარებაში. მათ შორის განსაკუთრებული ყურადღება დაეთმო ABCA4 გენს, რომელიც კოდირებს ბადურის დეტოქსიკაციაში მონაწილე ცილას. მიღებული შედეგების მიხედვით, აუტიზმის უჯრედულ მოდელში ABCA4-ის ექსპრესია კონტროლის ჯგუფთან შედარებით შემცირებული იყო, რაც შესაძლოა უკავშირდებოდეს ბადურაში ტოქსიკური მეტაბოლიტების დაგროვებასა და ქსოვილის დეგრადაციას. მიუხედავად იმისა, რომ აღნიშნული მიგნებები საინტერესო ჰიპოთეზას ქმნის ნეიროგანვითარებითი დარღვევებისა და ბადურის ცვლილებების ბიოლოგიური კავშირის შესახებ, მათი კლინიკური მნიშვნელობის დასადგენად აუცილებელია დამატებითი ფუნდამენტური და კლინიკური კვლევები.
მიუხედავად მიღწეული შედეგებისა, RetinaMind-ის კლინიკურ გამოყენებას მნიშვნელოვანი შეზღუდვები აქვს. ნეიროგანვითარების ექსპერტების, მათ შორის ჯონს ჰოპკინსის უნივერსიტეტის პროფესორისა და ნეიროგანვითარების პედიატრის პოლ ლიპკინის შეფასებით, ბადურაზე გამოვლენილი ცვლილებები შესაძლოა ასახავდეს ზოგადად ტვინზე დაფუძნებულ ნევროლოგიურ მდგომარეობებს და არ იყოს სპეციფიკური მხოლოდ აუტიზმისა და ADHD-ისთვის. გარდა ამისა, არსებული მოდელი ამ ეტაპზე მხოლოდ მდგომარეობის ზოგად კლასიფიკაციას ახორციელებს და ვერ ახდენს აუტიზმის სპექტრის სიმძიმის ხარისხების — მსუბუქი, საშუალო და მძიმე ფორმების — დიფერენცირებას. თავად ავტორის განცხადებით, RetinaMind ამჟამად წარმოადგენს Proof of Concept-ს, ხოლო მისი შემდგომი განვითარების მიზანია დაავადების სიმძიმის შეფასება, რაც მომავალში ექიმებს პერსონალიზებული თერაპიული ინტერვენციების დაგეგმვასა და თითოეული ბავშვის საჭიროებებზე მორგებული სამედიცინო დახმარების მიწოდებაში დაეხმარება.
დღევანდელი მტკიცებულებების საფუძველზე RetinaMind უნდა შეფასდეს, როგორც ნეიროგანვითარებითი დარღვევების ადრეული სკრინინგის პერსპექტიული დამხმარე ინსტრუმენტი და არა დამოუკიდებელი დიაგნოსტიკური მეთოდი. მიუხედავად ამისა, ბადურის ფოტოგრაფიის არაინვაზიური, სწრაფი და ფართოდ ხელმისაწვდომი ბუნების გათვალისწინებით, ხელოვნური ინტელექტისა და ოფთალმოლოგიური გამოსახულებების ინტეგრაცია შესაძლოა მომავალში მნიშვნელოვან როლს ასრულებდეს აუტიზმისა და ADHD-ის ადრეულ გამოვლენაში, მაღალი რისკის მქონე ბავშვების დროულ იდენტიფიკაციასა და ადრეული ინტერვენციის დაწყებაში. თუმცა ტექნოლოგიის ფართო კლინიკურ პრაქტიკაში დანერგვამდე აუცილებელია მრავალცენტრული, ფართომასშტაბიანი და სხვადასხვა პოპულაციაში ჩატარებული პროსპექტიული კვლევები, რომლებიც დაადასტურებს მის სიზუსტეს, რეპროდუცირებადობასა და კლინიკურ სარგებლიანობას.
წყარო: smithsonianmag.com
