هر روز میلیون‌ها نفر با گوشی‌های هوشمند از خود عکس می‌گیرند و در دنیای مجازی به اشتراک می‌گذارند؛ در این عکس‌ها که به «سلفی» مشهور است تقریبا همیشه لبخند دیده می‌شود.

اما ارزش این عکس‌ها برای محققان دانشگاه روچستر فراتر از یک تصویر است. احسان هوک و همکارانش در دانشگاه روچستر، با طراحی یک نرم‌افزار بصری کامپیوتری و توسعه الگوریتم‌های آن، عضلات صورت را تجزیه و تحلیل، و علایم بیماری عصبی را در این سلفی‌ها به‌دقت شناسایی می‌کنند.

این نرم‌افزار قابلیت تجزیه و تحلیل ویدیوهای کوتاهی را دارد که در حین سلفی گرفتن ایجاد می‌شود، و نیز قابلیت تشخیص حرکات ظریف عضلات صورت و حرکات دست را که با چشم غیرمسلح قابل مشاهده نیستند. نرم‌افزار سپس با دقت قابل ‌توجهی پیش‌بینی می‌کند که آیا فردی که سلفی می‌گیرد به بیماری پارکینسون مبتلا می‌شود، یا خیر. دقت آن هم با تمام ابزارهایی که تا کنون برای تشخیص این بیماری به کار گرفته می‌شده است، برابری می‌کند.

محققان بر این باورند که پارکینسون سریع‌ترین اختلال عصبی در حال رشد است و این نرم‌افزار هوشمند، البته در صورتی که مردم اجازه تجزیه‌ و ‌تحلیل سلفی‌هایشان را به آن‌ها بدهند، می‌تواند به آنان در تشخیص افراد مبتلا به این بیماری و اقدام سریع‌تر برای درمان‌شان کمک کند.

«بنیاد گوردون و بتی مور» (Gordon and Betty Moore Foundation) کمک مالی ۵۰۰ هزار دلاری برای این پروژه را تامین می‌کند.

هوک می‌گوید بنیاد از آنان خواسته است که تصاویر ارسالی را جدی بگیریم و آن را تایید کنیم؛ مخصوصا اگر آزمایش را در خانه انجام‌ دهند.

او می‌افزاید: «چالش این کار اما نه فقط به اعتبارسنجی دقت الگوریتم‌های ما است، بلکه ترجمه و بیان پاسخ دستگاه به زبان ساده، اطمینان‌بخش، و قابل درک برای بیماران است.»

البته لبخند تنها رفتاری نیست که هوک و محققانش برای علایم اولیه بیماری پارکینسون یا اختلالات مربوط به آن مورد بررسی قرار داده‌اند. تجزیه و تحلیل خودکار عبارت‌ها، حرکت‌ها، و صدا هم تاثیر زیادی در پیشرفت تشخیص بیماری پارکینسون داشته است. 

اما به گفته این محققان، هنوز به کار و زمان بیشتری برای توسعه و طراحی الگوریتم‌هایی نیاز است تا تفاوت لرزش‌های غیرارادی را با سایر اختلالات حرکتی، از جمله آتاکسی و‌هانتینگتون، تمایز دهند.  

هوک می‌گوید: «ما هنوز ما در پی متمایز کردن این لرزش‌ها با استفاده از هوش مصنوعی هستیم تا از آسیب‌های احتمالی تشخیص اشتباه جلوگیری کنیم و در عین حال، بهره‌وری را به حداکثر برسانیم.»