پژوهش جدیدی نشان میدهد که ترکیب هوش مصنوعی توضیحپذیر (XAI) با چارچوب RDoC میتواند به تشخیص چندسطحی آلزایمر، پیشبینی پیشرفت بیماری و افزایش شفافیت مدلهای بالینی کمک کند.
بیماری آلزایمر یکی از مهمترین چالشهای علوم اعصاب و پزشکی سالمندی است. تشخیص زودهنگام این بیماری، بهویژه در مراحل اولیه یا پیشبالینی، میتواند نقش مهمی در برنامهریزی درمان، مراقبت و کاهش بار بیماری داشته باشد. در سالهای اخیر، هوش مصنوعی بهعنوان ابزاری قدرتمند برای تحلیل دادههای پیچیده زیستی، تصویربرداری و شناختی وارد این حوزه شده است.
با این حال، یک مشکل اساسی همچنان باقی مانده است: بسیاری از مدلهای هوش مصنوعی مانند یک «جعبه سیاه» عمل میکنند. یعنی خروجی آنها دقیق است، اما مشخص نیست چرا به آن نتیجه رسیدهاند. اینجاست که هوش مصنوعی توضیحپذیر یا Explainable AI (XAI) اهمیت پیدا میکند.
هوش مصنوعی توضیحپذیر مجموعهای از روشهاست که کمک میکند تصمیمها و پیشبینیهای مدلهای یادگیری ماشین برای انسان قابل فهمتر شوند. در پزشکی، این ویژگی بسیار مهم است؛ زیرا پزشک باید بداند که یک مدل بر اساس چه شاخصهایی یک فرد را در معرض خطر بالاتر آلزایمر تشخیص داده است.
در واقع، XAI فقط به دنبال افزایش دقت نیست، بلکه میخواهد شفافیت، اعتمادپذیری و قابلیت استفاده بالینی مدلها را هم افزایش دهد.
در مقالهای مروری که در نشریه Brain Informatics منتشر شده، نویسندگان پیشنهاد میکنند که XAI با چارچوب RDoC ترکیب شود.
RDoC یا Research Domain Criteria یک چارچوب پژوهشی از مؤسسه ملی سلامت روان آمریکا (NIMH) است که اختلالات را در چند سطح بررسی میکند، از جمله:
این چارچوب بهجای تمرکز صرف بر برچسبهای تشخیصی، به دنبال فهم اختلالات بر اساس سازوکارهای زیستی و شناختی آنهاست.
آلزایمر یک بیماری چندعاملی و پیچیده است. دادههای مرتبط با آن از منابع مختلفی بهدست میآیند، از جمله:
ادغام این دادهها در یک مدل هوش مصنوعی، اگر بدون چارچوب مفهومی انجام شود، ممکن است به نتایج پراکنده یا غیرقابل تفسیر منجر شود. اما وقتی این دادهها در چارچوب RDoC سازماندهی شوند، مدل میتواند ارتباط بین زیستشناسی، شناخت و رفتار را بهتر نشان دهد.
ترکیب هوش مصنوعی توضیحپذیر با RDoC میتواند چند مزیت مهم داشته باشد:
مدل مشخص میکند که کدام متغیرها در تشخیص یا پیشبینی بیماری نقش اصلی داشتهاند.
پزشک میتواند خروجی مدل را در چارچوبی معنادارتر، مانند حافظه، کنترل شناختی یا سایر کارکردهای مغزی تفسیر کند.
وقتی پیشبینیهای مدل در سطح زیستی و شناختی قابل توضیح باشند، اعتماد پژوهشگران و درمانگران به آن بیشتر میشود.
این رویکرد میتواند به طراحی مدلهایی منجر شود که برای هر فرد، بر اساس ویژگیهای زیستی و شناختی خاص او، خطر بیماری یا سرعت پیشرفت را برآورد کنند.
در تشخیص آلزایمر، صرف داشتن یک پیشبینی کافی نیست. مهم این است که بدانیم آیا مدل، تغییرات مربوط به حافظه اپیزودیک، الگوهای EEG، آتروفی قشری یا سایر شاخصها را در نظر گرفته است یا نه.
به همین دلیل، XAI میتواند به پزشکان کمک کند تا:
این مقاله نشان میدهد که آینده تشخیص آلزایمر فقط به دقت الگوریتمهای هوش مصنوعی وابسته نیست؛ بلکه به توضیحپذیری، اعتبار بالینی و پیوند با سازوکارهای مغزی و شناختی نیز نیاز دارد.
ترکیب XAI و RDoC میتواند مسیر تازهای برای تشخیص چندسطحی، مرحلهبندی دقیقتر و پیشبینی بهتر پیشرفت آلزایمر فراهم کند.
منبع
Nami, M., Peebles, D., Thabath, F., & Kamalov, F. (2026). RDoC-informed explainable AI as a paradigm for multilevel Alzheimer’s disease diagnosis and progression prediction: a systematic review. Brain Informatics.
DOI: 10.1186/s40708-026-00310-4
