گروهی از محققان مرکز علوم محاسباتی اسکولتک (Skoltech) در روسیه برای اولین بار از تعدادی از روش‌های مبتنی بر شبکه‌های ۳ بعدی یادگیری عمیق برای پیش‌بینی سطح هوش افراد از روی تصاویر MRI استفاده کردند.

به گزارش پایگاه اینترنتی «مدیکال اکسپرس»، دانشمندان موسسه ملی سلامت در آمریکا (NIH) یک رقابت بین‌المللی را آغاز کردند و برای نخستین بار بانک گسترده اطلاعاتی خود را از اسکن‌های ساختاری و عملکردی MRI از مغز کودکان ۹ و ۱۰ ساله، در دسترس جامعه بزرگ پژوهشگران قرار دادند. شرکت‌کنندگان در این رقابت می‌بایست یک مدل پیش‌بینی بر اساس تصاویر مغز می‌ساختند.

محققان اسکولتک از شبکه‌های عصبی برای پردازش تصاویر MRI استفاده کردند. آن‌ها برای انجام این کار یک معماری شبکه ایجاد کردند که امکان به کاربردن چندین مدل ریاضی بر روی یک گروه از داده‌ها را فراهم می‌کرد تا دقت پیش‌بینی را افزایش دهد. آن‌ها همچنین از گروهی از روش‌های جدید برای آنالیز داده‌های MRI استفاده کردند. پژوهشگران در این تحقیق جدید، بر پیش‌بینی سطح «هوش سیال» (fluid intelligence) تمرکز کردند که به توانایی‌های بیولوژیکی سیستم عصبی اشاره داشته و هیچ ارتباطی با دانش یا مهارت‌های کسب شده فرد ندارد. از همه مهمتر این که آن‌ها پیش‌بینی‌هایی را هم در مورد سطح هوش سیال و هم متغیر مورد نظر به طور مستقل از سن، جنس، اندازه مغز یا نوع اسکنر MRI مورد استفاده، ارائه دادند.

«اکاترینا کوندراتیوا» (Ekaterina Kondratyeva) از دانشجویان مقطع دکترای مرکز اسکولتک در این باره می‌گوید: «تیم ما روش‌های یادگیری عمیق را برای کارهای مربوط به بینایی کامپیوتری در تجزیه و تحلیل داده‌های MRI ارائه داده است. ما در این مطالعه، طبقه‌بندی‌هایی را مورد استفاده قرار دادیم که با استفاده از آن‌ها می‌توان یک تصویر را همانطور که هست و بدون کوچک کردن ابعاد آن و از دست دادن اطلاعات ارزشمند، طبقه‌بندی کرد.»

نتایج این پژوهش به کشف ارتباط میان هوش سیال و آناتومی مغز کودکان کمک کرد. اگرچه این پیش‌بینی‌ها کاملا دقیق نیست، مدل‌های ساخته شده در جریان این رقابت می‌تواند اطلاعات بیشتری را در مورد جنبه‌های گوناگون شناختی، اجتماعی، عاطفی و فیزیکی رشد را در نوجوانان ارائه دهد.

یافته‌های این مطالعه در مجله Adolescent Brain Cognitive Development Neurocognitive Prediction منتشر شده است.