新的AI研究将学习障碍与大脑中枢联系起来
什么导致儿童学习困难?传统的神经科学表明，大脑的各个区域可作为与学习障碍相关的不同疾病的预测指标.但是，2020年4月6日发表在 Current Biology 上的一项新的神经科学研究发现，发现与发育障碍的现有观点背道而驰.剑桥大学的研究人员使用人工智能(AI)机器学习来证明大脑的神经中枢而不是大脑区域是儿童学习相关认知问题的有力预测指标.
儿童学习障碍并不少见.美国国家教育中心的数据显示，2017-18年度，有700万学生(占美国3至21岁所有公立学校学生的14％)接受了《残疾人教育法》(IDEA)的特殊教育服务. 2019年统计报告.根据英国Ma下负责儿童服务的政府部门英国教育部(DfE)的数据，在英格兰，2019年1月有14.9％的小学生有特殊教育需求，有3.1％的人有《教育，保健和照料计划》和教育.
学习障碍可能包括特定的诊断，例如发育语言障碍(DLD)，阅读障碍(阅读中的学习障碍)和运动困难(数学中的学习障碍).会影响儿童学习能力的神经系统疾病包括注意力缺陷和多动障碍(ADHD)，自闭症谱系障碍(ASD)和发育不良(一种影响运动协调的发展性协调障碍(DCD)).
学习障碍的诊断群体可能相交并且涉及面很广.另外，在诊断类别中，甚至症状也是多种多样的.面对这些挑战，对研究人员而言，采用跨诊断类别的跨诊断策略是有意义的.来自剑桥大学MRC认知与脑科学部门的资深作者Duncan Astle，Joni Holmes，Joe Bathelt和Roma Siugzdaite的研究小组采用了一种转诊方法，通过人工神经网络来分析大脑差异与儿童学习困难之间的关系.来自大脑图像的数据.
研究人员使用了来自认知，行为和学习测试以及479名儿童的磁共振成像(MRI)扫描中的数据，建立了使用无监督机器学习算法的人工神经网络.无监督机器学习可以捕获复杂的非线性关系，这在转诊研究中很有用.
该团队使用了日益增长的分层自组织图(GHSOM)，这是一种人工神经网络，它是自组织图(SOM)的一种变体，通常用于将高维数据空间数据可视化为自组织图.二维表示. GHSOM具有分层排列的多层，其中每一层具有多个独立的SOM.
该算法在数据中发现了不同的大脑轮廓.然后，研究人员使用扩散加权神经成像技术创建了全脑白质连接体，以测试断开集线器时会发生什么.
研究人员发现，大脑中枢连接不良的儿童存在严重且广泛的认知障碍，而大脑中枢连接良好的儿童则没有认知问题或有选择性的认知缺陷.这些发现强调了在进行有针对性的干预时应将注意力集中在认知问题上，而在诊断分类上则应少一些，这为将来针对大脑枢纽的连通性的新型治疗方法打开了大门.
版权©2020 Cami Rosso保留所有权利.
大众心理健康网(www.dzxl120.com)
本文链接：https://www.dzxl120.com/post/20678.html
