بررسی روش‌های تشخیص زودهنگام اختلال طیف اوتیسم با استفاده از یادگیری عمیق و تحلیل داده‌های چندوجهی

بررسی روش‌های تشخیص زودهنگام اختلال طیف اوتیسم با استفاده از یادگیری عمیق و تحلیل داده‌های چندوجهی

هبه عباس1 مژگان صالحی نسب2 عبداله چاله چاله3

1) دانشجوی کارشناسی ارشد هوش مصنوعی، دانشگاه رازی، کرمانشاه، ایران،
2) دانشجوی دکتری مهندسی معماری سیستم های کامپیوتری، دانشگاه رازی، کرمانشاه، ایران،
3) دانشیار گروه مهندسی کامپیوتر، دانشگاه رازی، کرمانشاه، ایران،

کد IOI مقاله : AAHD-ABKDZC
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    تشخیص زودهنگام اختلال طیف اوتیسم برای مداخلات درمانی مؤثر حیاتی است. روش‌های سنتی تشخیص که مبتنی بر مشاهده رفتاری و ارزیابی‌های بالینی هستند، زمان‌بر بوده و اغلب با تأخیر در تشخیص همراهند. یادگیری عمیق به عنوان زیرمجموعه‌ای از هوش مصنوعی، پتانسیل بالایی در خودکارسازی و افزایش دقت تشخیص از طریق تحلیل داده‌های پیچیده بالینی، تصویربرداری و رفتاری دارد. در این مقاله، پس از معرفی بیماری اوتیسم و روش‌های سنتی تشخیص، به بررسی روش‌های مدرن مبتنی بر هوش مصنوعی پرداخته شده و معماری‌های مختلف شبکه‌های عصبی از جمله CNN، RNN، Transformer و روش‌های چندوجهی مورد مقایسه قرار گرفته‌اند. نتایج مطالعات نشان می‌دهد که مدل‌های ترکیبی مانند CNN-LSTM با مکانیزم توجه و روش‌های مبتنی بر ردگیری چشم، دقت بالایی (تا ۹۹.۷۸٪) در تشخیص ASD داشته‌اند. همچنین چالش‌هایی نظیر کمبود داده، توضیح‌پذیری پایین و مسائل اخلاقی بررسی و راهکارهایی نظیر یادگیری فدرال و هوش مصنوعی تفسیرپذیر پیشنهاد شده است.

کلمات کلیدی : اختلال طیف اوتیسم یادگیری عمیق تصاویر mri داده‌های eeg هوش مصنوعی پردازش تصویر دیجیتال