کاربرد یادگیری ماشین با استفاده از شبکه های عصبی پیچشی در تشخیص اختلال اوتیسم

اختلال اوتیسم یک وضعیت عصبی رشدی است که با اختلال در تعامل اجتماعی ، کمبودهای ارتباطی و الگوهای رفتاری محدود و تکراری مشخص می شود. پژوهش های پیشین نشان دادهاند که تشخیص زودهنگام اوتیسم می تواند کنترل و بهبود این بیماری را تسهیل دهد. در این راستا، یادگیری ماشین به عنوان ابزاری نو یدبخش ، از طریق استخراج الگوها و ویژگی های مشترک از تصاو یر مغزی ، به تشخیص این اختلال کمک می کند. هدف اصلی این پژوهش ، تشخیص زودهنگام سیستماتیک اوتیسم و کاهش پیچیدگی های مربوطه است . برا ی دستیابی به این هدف، از مجموعه دادههای ABIDE استفاده شده و مدل یادگیری نظارتی با استفاده از کتابخانه TensorFlow بر روی تصاویر سه بعدی مغز اعمال شده است . دادههای آموزشی شامل ۱۲۵۰ تصویر با نرخ یادگیری ۰۰۰۱.۰ و نرخ ریزش ۵.۰ و دادههای تستی شامل ۱۳۰ تصویر برای ارزیابی مورد استفاده قرار گرفته اند. نتا یج حاصل از ۵۰ سری آموزش با دادههای تستی نشاندهنده افزا یش دقت مدل از حدود ۶۰ درصد به ۱۰۰ درصد و کاهش تابع هز ینه از ۳۶ درصد به ۲۰ درصد است . به طور متوسط ، مدل پیشنهادی توانسته است ۸۲ درصد پیش بینی صحیح را تشخیص دهد.

کلیدواژه ها:

اوتیسم ، یادگیری نظارتی ماشین ، شبکه های عصبی پیچشی