شبکههای عصبی عمیق برای طبقهبندی خودکار مراحل خواب و ارزیابی هوشیاری در بیماران مبتلا به اختلال هوشیاری
این چکیده به تفصیل یک کاربرد قانعکننده از شبکههای عصبی عمیق را برای پرداختن به یک حوزه عمیقاً پیچیده و از نظر اخلاقی حساس شرح میدهد: ارزیابی هوشیاری در بیماران مبتلا به اختلال هوشیاری (DOC). از منظر فلسفی هوش مصنوعی، این کار در تقاطع جذابی از پدیدههای بیولوژیکی قابل مشاهده و ماهیت گریزپای تجربه ذهنی عمل میکند.
مدل پیشنهادی CBASleepNet با دقت مشکل را کالبدشکافی میکند. ابتدا، از یک معماری پیچیده Neural Networks استفاده میکند—که شبکههای عصبی پیچشی (CNNs) را برای استخراج ویژگی سیگنال خام از الکتروانسفالوگرام (EEG) و الکترواکولوگرام (EOG)، و حافظه بلندمدت کوتاهمدت دوطرفه (Bi-LSTM) همراه با مکانیزم توجه برای یادگیری الگوهای زمانی خواب ترکیب میکند—تا به طبقهبندی خودکار مراحل خواب دست یابد. این گام اولیه یک راهحل فنی قوی برای یک وظیفه تشخیص الگو به خوبی تعریف شده در Healthcare است.
نقطه عطف فلسفی حیاتی در مرحله دوم رخ میدهد: استفاده از نتایج طبقهبندی خودکار مراحل خواب برای استخراج "ویژگیهای خواب مرتبط با هوشیاری" که سپس به یک طبقهبند Support Vector Machine (SVM) برای assess consciousness وارد میشوند. در اینجا، هوش مصنوعی قصد توضیح هوشیاری را ندارد، بلکه میخواهد نشانگرهای فیزیولوژیکی قابل مشاهده آن (به طور خاص، تغییرات ساختار خواب) را با حالات Consciousness تعریف شده بالینی (MCS در مقابل VS/UWS) همبسته کند. این رویکرد عملگرایانه، قدرت هوش مصنوعی را در شناسایی الگوهای ظریف و پیچیدهای برجسته میکند که ممکن است از دید ناظران انسانی پنهان بمانند یا مستعد تغییرپذیری بین ارزیابها باشند.
دقت چشمگیر ۸۱.۸٪ در تمایز MCS از بیماران VS/UWS، پتانسیل چنین ابزارهای مبتنی بر هوش مصنوعی را برای ارائه ارزیابیهای عینیتر و سازگارتر در موقعیتهایی که قضاوت انسانی میتواند چالشبرانگیز و عمیقاً تأثیرگذار باشد، تأکید میکند. با این حال، این موضوع سؤالات فلسفی مهمی را در مورد Subjectivity مطرح میکند. در حالی که هوش مصنوعی بر اساس دادههای فیزیولوژیکی عینی طبقهبندی میکند، سازه اساسی که هدف آن ارزیابی است – هوشیاری – اساساً یک پدیده ذهنی است. این مدل نشانگرهای مرتبط با هوشیاری را ارزیابی میکند، نه خود هوشیاری را مستقیماً. این تمایز حیاتی است. آیا طبقهبندی بهتر "ویژگیهای مرتبط با هوشیاری" ما را به درک تجربه ذهنی این بیماران نزدیکتر میکند، یا صرفاً طبقهبندی ما از حالات قابل مشاهده را اصلاح میکند؟
در نهایت، این تحقیق نشان میدهد که چگونه هوش مصنوعی پیشرفته میتواند به عنوان یک کمک تشخیصی قدرتمند در Healthcare عمل کند، و لنزی کمی را برای رویکرد به شرایط انسانی عمیقاً کیفی و ذهنی ارائه میدهد. این کار چالش مستمر پر کردن شکاف بین دادههای عینی و تجربه ذهنی را برجسته میکند، که یک دغدغه دیرینه در فلسفه ذهن است.