هوش مصنوعی، مغز و اختلالات روانی: از آمار ایران تا Neuroscience

هوش مصنوعی و اختلالات روانی امروزه به یکی از مهم‌ترین محورهای پژوهش در neuroscience تبدیل شده است. بر اساس آخرین پیمایش ملی سلامت روان ایران، ۲۵ درصد از جمعیت ۱۵ تا ۶۴ ساله کشور حداقل یک اختلال روانپزشکی دارند. یعنی از هر چهار ایرانی، یک نفر. شایع‌ترین اختلالات به ترتیب: اختلالات خلقی (۱۶٪) و اختلالات اضطرابی (۱۳.۷٪). افسردگی در زنان حدود دو برابر مردان است.

در همین حال، جست‌وجوی «هوش مصنوعی» در ایران در سال ۲۰۲۵ حدود چهار برابر بیشتر از علوم پزشکی بوده است. یعنی کاربر ایرانی هم به AI علاقه‌مند شده و هم به سلامت روان. ترکیب این دو، دقیقاً نقطه تلاقی دو محور پربازدید است.

چرا این موضوع مهم است؟

بر اساس آخرین پیمایش ملی سلامت روان ایران، ۲۵ درصد از جمعیت ۱۵ تا ۶۴ ساله کشور حداقل یک اختلال روانپزشکی دارند. یعنی از هر چهار ایرانی، یک نفر. شایع‌ترین اختلالات به ترتیب: اختلالات خلقی (۱۶٪) و اختلالات اضطرابی (۱۳.۷٪). افسردگی در زنان حدود دو برابر مردان است.

۱. ADHD: مغز این کودکان واقعاً متفاوت است

شواهد عصب‌شناختی

مطالعه ENIGMA که در The Lancet Psychiatry منتشر شد، بزرگ‌ترین تحلیل تصویربرداری مغزی ADHD تا به امروز است: ۱۷۱۳ بیمار و ۱۵۲۹ فرد سالم در ۲۳ مرکز جهانی. یافته کلیدی:

• کاهش حجم آمیگدال، هیپوکامپ و هسته اکومبنس در ADHD
• آمیگدال مرکز تنظیم هیجان است. کاهش حجم آن توضیح می‌دهد چرا بسیاری از کودکان ADHD با دشواری در تنظیم هیجان دست‌وپنجه نرم می‌کنند.
• اثرات در دوران کودکی بارزتر از بزرگسالی است.

مطالعه دیگری از همان گروه ENIGMA نشان داد که ناهمگونی عصبی-آناتومیک در ADHD وجود دارد. محققان توانستند پسران ADHD را بر اساس حجم ساختارهای زیرقشری به چهار زیرگروه تقسیم کنند—که یکی از این زیرگروه‌ها در افراد سالم اصلاً وجود نداشت. این یعنی ADHD یک اختلال واحد نیست، بلکه چند الگوی متفاوت مغزی است.

هوش مصنوعی و EEG

مرور سیستماتیک ۱۴۷ مطالعه (Hoseini و همکاران، ۲۰۲۵) نشان داد الگوریتم‌های یادگیری عمیق در تشخیص ADHD مبتنی بر EEG به دقت ۹۹.۹۵٪ رسیده‌اند. اما محدودیت اصلی: اکثر این مطالعات اعتبارسنجی تک‌مرکزی دارند و تعمیم‌پذیری به بیماران جدید چالش اصلی است.

۲. اوتیسم: از گیرنده‌های گلوتامات تا EEG

شواهد مولکولی

مطالعه‌ای که در American Journal of Psychiatry منتشر شد، با استفاده از PET و ردیاب [18F]FPEB، دسترسی به گیرنده mGlu5 (گیرنده متابوتروپیک گلوتامات ۵) را در مغز بزرگسالان اوتیستیک و نوروتایپیک مقایسه کرد.

• یافته کلیدی: دسترسی به mGlu5 در مغز افراد اوتیستیک حدود ۱۵٪ کمتر از افراد نوروتایپیک است.
• mGlu5 یکی از گیرنده‌های اصلی گلوتامات است—گلوتامات ناقل عصبی تحریکی اصلی مغز. کاهش این گیرنده یعنی تعادل تحریک-مهار در مغز به هم خورده است.

نکته مهم: محققان دریافتند که دسترسی به mGlu5 با شیب طیف توان EEG همبستگی دارد (r=۰.۶۷). یعنی یک شاخص غیرتهاجمی EEG می‌تواند بازتاب‌دهنده تغییرات مولکولی در مغز اوتیستیک باشد.

هوش مصنوعی و تشخیص اوتیسم

مرور سیستماتیک De Giacomo و همکاران (۲۰۲۶) در Frontiers in Psychiatry، ۲۷ مطالعه بر EEG و fNIRS در اوتیسم را بررسی کرد. نتیجه: الگوهای نوسان عصبی و اختلالات اتصال در مناطق مرتبط با ارتباطات اجتماعی به‌طور مداوم مشاهده می‌شود. مدل‌های ترکیبی (استخراج ویژگی عمیق + طبقه‌بند کلاسیک) پایدارترین عملکرد را در تشخیص اوتیسم دارند.

۳. افسردگی، دوقطبی و اسکیزوفرنی: یک مکانیزم مشترک؟

نقص یادگیری و حافظه کاری

یک مطالعه جدید با استفاده از EEG مدل‌محور و مدل‌سازی محاسباتی، مکانیزم‌های عصبی-شناختی یادگیری را در افسردگی اساسی (MDD)، اختلال دوقطبی (BP) و اسکیزوفرنی (SCZ) مقایسه کرد.

• یافته کلیدی: اگرچه این سه اختلال در سطح رفتاری نقص‌های مشابهی نشان می‌دهند، تحلیل EEG مدل‌محور نشان داد که این نقص‌ها به اجزای عصبی-محاسباتی متفاوتی مرتبط هستند.

کنترل‌پذیری شبکه مغزی

مطالعه دیگری بر ۳۰۳ شرکت‌کننده از نظریه کنترل شبکه برای تحلیل fMRI در حین تکلیف حافظه کاری استفاده کرد.

• نتیجه: نقص در بازآرایی شبکه‌های مغزی—به‌ویژه شبکه فرونتوپاریتال و شبکه حالت پیش‌فرض—در هر سه اختلال وجود دارد. شدت نقص از اسکیزوفرنی > دوقطبی > افسردگی است.

۴. هوش مصنوعی و مدل‌های زبانی در تشخیص

LLM در مصاحبه بالینی

مطالعه‌ای که در npj Mental Health Research منتشر شد، از Qwen2-72B-Instruct برای استخراج ۱۳۸ ویژگی بالینی از گفت‌وگوهای روانپزشکی استفاده کرد. این مدل با fine-tuning بر روی ۵۲۷ نمونه با کیفیت بالا آموزش داده شد.

• یافته: LLM می‌تواند علائم افسردگی و اضطراب را از متن مصاحبه استخراج کند و در تفکیک افسردگی خالص از اضطراب بهتر از پرسشنامه‌های سنتی عمل کند.

LLM و شبکه‌های اجتماعی

مرور سیستماتیک Ge و همکاران (۲۰۲۵) نشان می‌دهد که LLM‌ها با تکنیک‌های RAG (تولید تقویت‌شده با بازیابی) و سیستم‌های Agentic می‌توانند برای تشخیص اختلالات روانی از داده‌های شبکه‌های اجتماعی استفاده کنند.

۵. جایگاه واقع‌بینانه هوش مصنوعی

بر اساس مصاحبه با ۲۵ متخصص ایرانی از شهرهای مختلف (تهران، مشهد، اردبیل، تبریز، سنندج، زاهدان، اهواز)، هوش مصنوعی می‌تواند برای علائم خفیف تا متوسط مفید باشد، اما برای موارد بحرانی و شدید ناکافی و حتی خطرناک است.

• آنچه AI می‌تواند: حمایت فوری، غربالگری اولیه، کاهش انگ اجتماعی، جبران کمبود متخصص در مناطق محروم.
• آنچه AI نمی‌تواند: ارزیابی خطر خودکشی، مدیریت بحران، درک زمینه فرهنگی.

جدول مقایسه‌ای: هوش مصنوعی در تشخیص اختلالات روانی

جمع‌بندی

داده‌های ایران روشن است: ۲۵٪ جمعیت با اختلال روانپزشکی زندگی می‌کنند، افسردگی و اضطراب شایع‌ترین هستند، و ADHD شایع‌ترین اختلال کودکان است (۴-۸٪). در سطح عصب‌شناختی، شواهد نشان می‌دهد این اختلالات دارای correlate ساختاری و مولکولی قابل اندازه‌گیری هستند—کاهش حجم آمیگدال در ADHD، کاهش گیرنده mGlu5 در اوتیسم، و نقص کنترل شبکه در افسردگی، دوقطبی و اسکیزوفرنی.

ترکیب هوش مصنوعی و اختلالات روانی می‌تواند به تشخیص دقیق‌تر و درمان‌های شخصی‌سازی‌شده کمک کند، اما همچنان ابزار کمکی است، نه جایگزین متخصص انسانی. در کلینیک آرامش ذهن، ما از این فناوری‌ها برای بهبود دقت تشخیص و درمان استفاده می‌کنیم. برای آشنایی با روش‌های نوروتراپی، به صفحه نوروتراپی مراجعه کنید.

توصیه مهم: مطالب این مقاله صرفاً جنبه آموزشی دارد و جایگزین تشخیص یا تجویز درمان توسط روانپزشک نیست. تشخیص نهایی و تعیین مسیر درمان، فقط توسط روانپزشک متخصص انجام می‌شود.

سوالات متداول