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

تشخیص زودهنگام اختلال طیف اوتیسم برای مداخلات درمانی موثر حیاتی است. روش های سنتی تشخیص که مبتنی بر مشاهده رفتاری و ارزیابی های بالینی هستند زمان بر بوده و اغلب با تاخیر در تشخیص همراهند. یادگیری عمیق به عنوان زیر مجموعه ای از هوش مصنوعی پتانسیل بالایی در خودکارسازی و افزایش دقت تشخیص از طریق تحلیل داده های پیچیده بالینی تصویربرداری و رفتاری دارد. در این مقاله پس از معرفی بیماری اوتیسم و روش های سنتی تشخیص به بررسی روش های مدرن مبتنی بر هوش مصنوعی پرداخته شده و معماری های مختلف شبکه های عصبی از جمله CNN، Transformer، RNN و روش های چندوجهی مورد مقایسه قرار گرفته اند. نتایج مطالعات نشان می دهد که مدل های ترکیبی مانند CNN-LSTM با مکانیزم توجه و روش های مبتنی بر ردگیری چشم دقت بالایی (تا ۹۹.۷۸) در تشخیص ASD داشته اند. همچنین چالش هایی نظیر کمبود داده، توضیح پذیری پایین و مسائل اخلاقی بررسی و راهکارهایی نظیر یادگیری فدرال و هوش مصنوعی تفسیرپذیر پیشنهاد شده است.

کلیدواژه ها:

اختلال طیف اوتیسم ، یادگیری عمیق ، تصاویر MRI ، داده های EEG ، هوش مصنوعی ، پردازش تصویر دیجیتال