تشخیص زودهنگام اختلال طیف اوتیسم با استفاده از تکنیک الگوریتم ماشین بردار پشتیبان

تشخیص زودهنگام بیماری اوتیسم به دلیل پیچیدگی های رفتاری و بالینی، چالشی اساسی در حوزه علوم پزشکی و هوش مصنوعی به شمار می آید. سیستم های موجود اغلب به دلیل انتخاب نامناسب پارامترها و پیچیدگی بالای محاسباتی، کارایی مطلوبی ندارند. در این پایان نامه، یک مدل یادگیری ماشین کارآمد مبتنی بر ماشین بردار پشتیبان (SVM) ارائه شده است که پارامترهای آن با استفاده از الگوریتم ژنتیک (GA) بهینه سازی شده اند. هدف این تحقیق افزایش دقت، فراخوانی و صحت سیستم های تشخیصی اوتیسم، همراه با کاهش پیچیدگی محاسباتی است. آزمایش ها با استفاده از مجموعه داده های مرکز درمان اوتیسم نهال شهرستان اهواز انجام شد و نتایج نشان داد که مدل پیشنهادی با دقت ۹۰٪، فراخوانی یا حساسیت ۲۹٪، صحت ۴.۸۸٪ و نمره F۱ برابر با ۹۶.۱۰٪، عملکردی بهینه تر در مقایسه با مدل های مرسوم مانند SVM معمولی، درخت تصمیم (DT)، رگرسیون لجستیک (LR) و شبکه عصبی پرسپترون چند لایه (MLP) دارد. این دستاورد نشاندهنده توانایی باالی مدل در کاهش خطاهای نوع اول و دوم و بهبود کلی عملکرد است. نتایج این تحقیق گامی موثر در توسعه سیستم های هوشمند تشخیصی و تسهیل مداخلات درمانی زودهنگام برای افراد مبتلا به اوتیسم است. علاوه بر این، بهره گیری از بهینه سازی ژنتیک برای بهبود پارامترهای مدل، مسیرهای جدیدی برای کاربردهای گسترده تر در صنایع زمینه های پزشکی و هوش مصنوعی فراهم می آورد.

کلیدواژه ها:

اوتیسم ، اختلال اوتیسم ، ماشین بردار پشتیبان