طراحی چارچوب هوش مصنوعی توضیح پذیر برای پیش بینی روند آلزایمر با ترکیب تحلیل زبان و گفتار چندزبانه و شاخص رفتاری دیجیتال

بیماری آلزایمر یک اختلال عصبی-تحلیل برنده ی پیشرونده است که بار بالینی و اقتصادی قابل توجهی را در سطح جهانی ایجاد می کند. تشخیص زودهنگام و پیش بینی دقیق روند بیماری نقش مهمی در مداخله به موقع و بهبود پیامدهای درمانی دارد. روش های سنتی تشخیص مانند تصویربرداری عصبی و آزمون های روان سنجی اگرچه موثرند اما اغلب پرهزینه، زمانبر و محدود از نظر دسترسی هستند. پیشرفت های اخیر در حوزه هوش مصنوعی (AI) و نشانگرهای دیجیتال، راهکارهایی نوین و غیرتهاجمی برای غربالگری مقیاس پذیر ارائه کرده اند. در این پژوهش یک چارچوب هوش مصنوعی توضیح پذیر (AI) طراحی شده است که تحلیل چندزبانه ی زبان و گفتار (فارسی-انگلیسی) را با سنجه های رفتاری دیجیتال ترکیب می کند تا روند پیشرفت آلزایمر را پیش بینی کند. این مدل با بهره گیری از معماری های ترنسفورمری مانند mBERT و XLM-R و تکنیک های تفسیرپذیری نظیر SHAP و نقشه های توجه، به دنبال افزایش اعتماد بالینی و قابلیت تعمیم بین زبانی است. مطالعات پیشین نشان داده اند که ویژگی های زبانی، سیگنال های صوتی و الگوهای تایپ می توانند شاخص های موثری برای افت شناختی باشند. مدل پیشنهادی با تمرکز بر زبان های کم منبع، ادغام داده های چندوجهی و ارائه ی خروجی های قابل تفسیر، شکاف های موجود در پژوهش های پیشین را هدف قرار داده و گامی موثر در توسعه ابزارهای هوشمند و شفاف برای سلامت دیجیتال و پشتیبانی تصمیم گیری بالینی برداشته است.

کلیدواژه ها:

هوش مصنوعی توضیح پذیر ، بیماری آلزایمر ، پردازش زبان طبیعی چندزبانه ، نشانگرهای دیجیتال ، SHAP ، XLM-R ، BERT ، مکانیزم های توجه ، پیش بینی افت شناختی