استفاده از مدل ترکیبی یادگیری ماشین (ML)برای تشخیص دقیق طیف اوتیسم (ASD)

اختلال طیف اوتیسم (ASD) یک وضعیت ژنتیکی و عصبی است که منجر به دشواری در ارتباطات و تعاملات می شود.این مقاله به بررسی جامع و به روز راهکارهای پژوهشی در حوزه انفورماتیک تصویربرداری پزشکی می پردازد، و ترجمه بالینی این فناوری ها را مورد بحث قرار می دهد و مسیرهای آینده برای ارتقای عملکرد بالینی را پیشنهاد می کند. به طور خاص، پیشرفت های صورت گرفته در فناوری های تصویربرداری پزشکی در انواع مدالیته ها را خلاصه کرده و بر ضرورت راهبردهای موثر برای مدیریت داده های پزشکی تاکید دارد.اختلال طیف اوتیسم (ASD) یک وضعیت ژنتیکی و عصبی است که منجر به دشواری در ارتباطات و تعاملات می شود.این مطالعه به بررسی روش های نوین تشخیص اوتیسم (ASD) با استفاده از الگوریتم های یادگیری ماشین الگوریتم نایو بیز، ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) می پردازد. هدف اصلی، افزایش دقت تشخیص و قابل فهم بودن مدل ها برای پزشکان است. سه مجموعه داده عمومی بر اساس گروه های سنی (کودکان، نوجوانان، بزرگسالان) بررسی شده اند.مشخص شد که الگوریتم RF با دقت و توازن ۹۹% بهتریم عملکرد را دربین الگوریتم های دیگر داشته .برای قابل توضیح بودن مدل ها، از تکنیک SHAP استفاده شده تا ویژگی های موثر در تشخیص برای پزشکان روشن تر شود. نوآوری این پژوهش در ترکیب هوش مصنوعی قابل توضیح با مدل سازی دقیق بر اساس سن و داده های واقعی است که می تواند به تشخیص زودهنگام و موثر اوتیسم کمک کند.

کلیدواژه ها:

اختلال طیف اوتیسم ، هوش مصنوعی ، یادگیری ماشین ، تصویربرداری پزشکی ، تحلیل تصویر ، طبقه بندی تصویر ، پردازش تصویر ، قطعه بندی تصویر ، تجسم تصویر ، تحلیل های تلفیقی ، یادگیری ماشین ، یادگیری عمیق ، داده های حجیم.