DOI: https://doi.org/10.1016/j.array.2026.100691
تاريخ النشر: 2026-02-06
المؤلف: Abdullah Al-Saleh وآخرون
الموضوع الرئيسي: البحث في اضطراب طيف التوحد
نظرة عامة
تقدم البحث خوارزمية جديدة تعتمد على الذكاء الاصطناعي (AI) تهدف إلى الكشف المبكر والدقيق عن الإعاقات التنموية (DDs) لدى الأطفال في سن ما قبل المدرسة. يستخدم النظام المقترح مؤشرات رقمية من مجالات الكلام والسلوك، معتمدًا على تصفية الضوضاء المعززة القائمة على Gaussian (EGNF) لبيانات الكلام وتطبيع Z-score لبيانات السلوك لتعزيز موثوقية البيانات. يتم استخراج الميزات باستخدام الذاكرة طويلة وقصيرة المدى ثنائية الاتجاه (Conv-BiLSTM) لبيانات الكلام وشبكة الانتباه الرسومية (GAT) لبيانات السلوك. تم تقديم طريقة اختيار ميزات هجينة (HFS)، تجمع بين خوارزمية البحث عن التناغم (HSA) وترتيب ReliefF، لاختيار السمات ذات الصلة لتدريب النموذج. النموذج الهجين الناتج، DeepSTNet، يدمج MnasNet والشبكات العصبية المتكررة المستقلة (IndRNN)، مما يلتقط بشكل فعال الاعتماديات المكانية والزمنية، محققًا دقة تبلغ 99.46%، ودقة 97.74%، واسترجاع 98.05%.
في الختام، تظهر الخوارزمية الهجينة المقترحة تحسينات كبيرة في التعرف التلقائي على DDs، متفوقة على الطرق الحالية مثل CNN وRNN وغيرها في مقاييس الأداء المختلفة. لا تعزز الإطار دقة النموذج ودقته واسترجاعه فحسب، بل تقلل أيضًا من معدلات الإيجابيات الكاذبة والسلبية، مما يجعلها أداة واعدة للتشخيص في الوقت المناسب. ومع ذلك، لا تزال التحديات مثل التعقيد الحسابي العالي وقابلية التوسع المحدودة قائمة. يجب أن تركز الأبحاث المستقبلية على تطوير حل أكثر قابلية للتوسع وخفة الوزن من خلال دمج نماذج تحسين متعددة الأهداف في إطار التعلم العميق، مما يعزز قابليته للتطبيق في البيئات السريرية.
مقدمة
تتناول مقدمة ورقة البحث القضية المهمة للإعاقات التنموية (DDs)، وهي حالات مزمنة ناتجة عن إعاقات دماغية تؤثر على التواصل والسلوك الاجتماعي والرعاية الذاتية والحركة. يُبلغ عن أن حوالي 15% من الأطفال الذين تتراوح أعمارهم بين 13 و17 عامًا في الولايات المتحدة لديهم واحدة أو أكثر من DDs، مما يبرز الحاجة الملحة لآليات الكشف المبكر الفعالة. الطرق التشخيصية التقليدية، المعتمدة على التقييمات السريرية، تستغرق وقتًا طويلاً وتعتمد على خبرة الأطباء، مما يدفع نحو التحول إلى أدوات التشخيص الآلي التي تستخدم تقنيات الرؤية الحاسوبية والذكاء الاصطناعي (AI).
تؤكد الورقة على إمكانيات نماذج التعلم العميق (DL) والتعلم الآلي (ML) في تحديد DDs من خلال تحليل البيانات التاريخية المتعلقة بالكلام والسلوك والوظائف الحركية. بينما أظهرت نماذج ML مثل أشجار القرار وآلات الدعم الناقل وعودًا، إلا أنها تواجه صعوبات في التنبؤ بالاضطرابات المتعددة وتتطلب بيانات واسعة للتدريب. بالمقابل، تقدم نماذج DL، بما في ذلك الشبكات العصبية التلافيفية العميقة (DCNN) والشبكات العصبية المتكررة (RNN)، دقة محسنة وقدرات استخراج ميزات ولكن تواجه تحديات مثل الإفراط في التكيف والتكاليف الحسابية العالية. لمعالجة هذه القيود، يقترح البحث بنية جديدة، DeepSTNet، التي تدمج MnasNet لاستخراج الميزات المكانية وIndRNN للنمذجة الزمنية القوية، محسّنة للكشف المبكر عن DD باستخدام مؤشرات متعددة الأنماط. تمهد المقدمة الطريق لاستكشاف مفصل للمنهجية والنتائج في الأقسام التالية من الورقة.
طرق
تم تنفيذ الطريقة المقترحة في بيئة Jupyter Notebook (الإصدار 7.12) باستخدام Python (الإصدار 3.12.6) على نظام Dell مزود بمعالج من الجيل الحادي عشر وذاكرة RAM سعة 8 جيجابايت. تم إجراء التحقق والتدريب للطريقة باستخدام قاعدة بيانات مركبة دمجت قاعدة بيانات كشف عسر الكلام وبيانات التوحد للأطفال الصغار.
تم تقييم فعالية المنهجية المصممة من خلال مقارنة أدائها ضد نماذج التصنيف والكشف التقليدية، مما أسس معيارًا للتقييم. توفر النتائج من هذه التجارب رؤى حول فعالية النهج المقترح في سياق مجموعات البيانات المحددة.
نتائج
يقدم البحث مصنفًا هجينًا، DeepSTNet، مصممًا للكشف المبكر والدقيق عن الإعاقات التنموية (DDs) من خلال دمج البيانات الحركية والكلامية والمعرفية. يستفيد هذا النموذج من نقاط القوة في MnasNet وIndependently RNN لتعلم وتحديد الأنماط المرتبطة بـ DDs، خاصة في حالات مثل اضطراب طيف التوحد (ASD) والشلل الدماغي (CP)، التي تظهر غالبًا إعاقات متداخلة في التواصل والسلوك الاجتماعي. تؤكد الدراسة على عدم كفاية الأساليب أحادية النمط، داعية إلى ملف تعريف مؤشرات متعددة الأنماط يجمع بين الميزات الصوتية من قاعدة بيانات كشف عسر الكلام وبيانات السلوك من مجموعة بيانات التوحد للأطفال الصغار، مما يعزز القدرة التمييزية للنموذج للكشف المبكر عن DD.
تمت معالجة البيانات لكل نمط بشكل منفصل، باستخدام “تصفية الضوضاء المعززة القائمة على Gaussian” للبيانات الصوتية و”تطبيع Z-Score” لبيانات السلوك. كانت استخراج الميزات على مستوى عالٍ أيضًا خاصة بالنمط، حيث تم استخدام “Convolutional Bi-LSTM” للميزات الصوتية و”Graph Attention Network” للميزات السلوكية، تلاها دمج متجهات الميزات لتسهيل التفاعلات عبر الأنماط دون فقدان المعلومات الخاصة بكل نمط. تم تدريب النموذج على مهمة تصنيف ثنائية تميز بين “DD” و”طبيعي”، مع تقييم الأداء من خلال تقسيمات قياسية (70/30 و80/20) والتحقق المتقاطع 5-fold، مما يضمن الاستخدام الشامل للبيانات لكل من التدريب والتحقق، وبالتالي توفير تقدير قوي لتعميم النموذج.
مناقشة
تستعرض قسم المناقشة في ورقة البحث التقدمات الأخيرة في الكشف عن الإعاقات التنموية (DDs) باستخدام تقنيات الذكاء الاصطناعي (AI) والتعلم العميق (DL). يتم تسليط الضوء على دراسات مختلفة، تعرض منهجيات مختلفة ودقتها النسبية. على سبيل المثال، استخدم Md. Fazle Rabbi وآخرون شبكة عصبية تلافيفية (CNN) للتنبؤ بالتوحد بدقة 92.31%، بينما حقق Guhan Seshadri N.P وآخرون دقة 95.8% باستخدام شبكة عصبية عميقة (DNN) على إشارات EEG. تشمل الأساليب البارزة الأخرى إطار Conv-BiLSTM الهجين الذي قدمه V. Kavitha وR. Siva، والذي وصل إلى دقة 95.53%، ونموذج قدمه رحمن علي وآخرون الذي توقع ضعف الرعاية الذاتية بدقة 96.14%. ومع ذلك، لا تزال التحديات الشائعة مثل الحاجة إلى مجموعات بيانات موسومة كبيرة، والإفراط في التكيف، والتعقيد الحسابي قائمة عبر هذه الدراسات.
تنشأ دوافع الدراسة المقترحة من التعقيدات التي يواجهها الأفراد ذوو DDs في الأنشطة اليومية، مما يبرز ضرورة التشخيص الدقيق وفي الوقت المناسب. غالبًا ما تكون طرق الكشف التقليدية بطيئة وتعتمد على الخبرة السريرية، مما يستدعي الحاجة إلى أطر آلية تستفيد من الذكاء الاصطناعي لمعالجة أنواع البيانات المتنوعة. تقدم الاستراتيجية المقترحة إطارًا شاملاً من خمس مراحل للكشف عن DD، يدمج خوارزميات DL المتقدمة وتقنيات تحسين الميتا-heuristic. يتضمن هذا الإطار مراحل لجمع البيانات، والمعالجة المسبقة، واستخراج الميزات، واختيار الميزات، وكشف DD، بهدف تعزيز دقة التشخيص مع معالجة قيود النماذج الحالية، مثل القابلية للتفسير والكفاءة الحسابية.
DOI: https://doi.org/10.1016/j.array.2026.100691
Publication Date: 2026-02-06
Author(s): Abdullah Al-Saleh et al.
Primary Topic: Autism Spectrum Disorder Research
Overview
The research presents a novel artificial intelligence (AI)-based algorithm aimed at the early and accurate detection of developmental disabilities (DDs) in preschool-age children. The proposed system utilizes digital biomarkers from both speech and behavioral domains, employing Enhanced Gaussian-Based Noise Filtering (EGNF) for speech data and Z-score normalization for behavioral data to enhance data reliability. Feature extraction is conducted using Convolutional-Bidirectional Long Short-Term Memory (Conv-BiLSTM) for speech and Graph Attention Network (GAT) for behavioral data. A Hybrid Feature Selection (HFS) method, combining the Harmony Search Algorithm (HSA) and ReliefF ranking, is introduced to select relevant attributes for model training. The resulting hybrid classification model, DeepSTNet, integrates MnasNet and Independently Recurrent Neural Networks (IndRNN), effectively capturing spatial and temporal dependencies, achieving an accuracy of 99.46%, precision of 97.74%, and recall of 98.05%.
In conclusion, the proposed hybrid deep learning algorithm demonstrates significant improvements in the automatic recognition of DDs, outperforming existing methods such as CNN, RNN, and others in various performance metrics. The framework not only enhances accuracy, precision, and recall but also reduces false positive and negative rates, making it a promising tool for timely diagnosis. However, challenges such as high computational complexity and limited scalability remain. Future research should focus on developing a more scalable and lightweight solution by incorporating multiobjective optimization models into the deep learning framework, thereby enhancing its applicability in clinical settings.
Introduction
The introduction of the research paper addresses the significant issue of developmental disabilities (DDs), which are chronic conditions resulting from brain impairments that affect communication, social behavior, self-care, and mobility. Approximately 15% of children aged 13 to 17 in the USA are reported to have one or more DDs, highlighting the urgent need for effective early detection mechanisms. Traditional diagnostic methods, reliant on clinical assessments, are time-consuming and dependent on clinician expertise, prompting a shift towards automated diagnostic tools utilizing computer vision and artificial intelligence (AI) techniques.
The paper emphasizes the potential of deep learning (DL) and machine learning (ML) models in identifying DDs through the analysis of historical data related to speech, behavior, and motor functions. While ML models like decision trees and support vector machines have shown promise, they struggle with multi-disorder predictions and require extensive data for training. In contrast, DL models, including deep convolutional neural networks (DCNN) and recurrent neural networks (RNN), offer improved accuracy and feature extraction capabilities but face challenges such as overfitting and high computational costs. To address these limitations, the study proposes a novel architecture, DeepSTNet, which integrates MnasNet for spatial feature extraction and IndRNN for robust temporal modeling, optimized for early DD detection using multi-modal biomarkers. The introduction sets the stage for a detailed exploration of the methodology and findings in subsequent sections of the paper.
Methods
The proposed method was implemented in a Jupyter Notebook environment (version 7.12) utilizing Python (version 3.12.6) on a Dell system equipped with an 11th Generation processor and 8 GB of RAM. The validation and training of the method were conducted using a composite database that integrated the Dysarthria Detection database and the Autism Dataset for Toddlers.
The effectiveness of the designed methodology was assessed by comparing its performance against traditional classification and detection models, thereby establishing a benchmark for evaluation. The results from these experiments provide insights into the efficacy of the proposed approach in the context of the specified datasets.
Results
The research presents a hybrid classifier, DeepSTNet, designed for the timely and accurate detection of developmental disabilities (DDs) by integrating motor, speech, and cognitive data. This model capitalizes on the strengths of MnasNet and Independently RNN to effectively learn and identify patterns associated with DDs, particularly in conditions like Autism Spectrum Disorder (ASD) and Cerebral Palsy (CP), which often exhibit overlapping impairments in communication and social behavior. The study emphasizes the inadequacy of unimodal approaches, advocating for a multimodal biomarker profile that combines acoustic features from the Dysarthria Detection Database and behavioral data from the Autism Dataset for Toddlers, thereby enhancing the model’s discriminative power for early DD detection.
The preprocessing of data for each modality was conducted separately, utilizing “Enhanced Gaussian-Based Noise Filtering” for acoustic data and “Z-Score Normalization” for behavioral data. High-level feature extraction was also modality-specific, employing “Convolutional Bi-LSTM” for acoustic features and “Graph Attention Network” for behavioral features, followed by concatenation of the feature vectors to facilitate cross-modal interactions without losing modality-specific information. The model was trained on a binary classification task distinguishing between “DD” and “Normal,” with performance evaluated through standard splits (70/30 and 80/20) and 5-fold cross-validation, ensuring comprehensive use of data for both training and validation, thus providing a robust estimate of model generalization.
Discussion
The discussion section of the research paper reviews recent advancements in the detection of developmental disabilities (DDs) using artificial intelligence (AI) and deep learning (DL) techniques. Various studies are highlighted, showcasing different methodologies and their respective accuracies. For instance, Md. Fazle Rabbi et al. employed a convolutional neural network (CNN) to predict autism with an accuracy of 92.31%, while Guhan Seshadri N.P et al. achieved 95.8% accuracy using a deep neural network (DNN) on EEG signals. Other notable approaches include a hybrid Conv-BiLSTM framework by V. Kavitha and R. Siva, which reached 95.53% accuracy, and a model by Rahman Ali et al. that predicted self-care impairment with 96.14% accuracy. However, common challenges such as the need for large labeled datasets, overfitting, and computational complexity persist across these studies.
The motivation for the proposed study stems from the complexities faced by individuals with DDs in daily activities, emphasizing the necessity for accurate and timely diagnosis. Traditional detection methods are often slow and reliant on clinical expertise, prompting the need for automated frameworks that leverage AI to process diverse data types. The proposed strategy introduces a comprehensive five-stage framework for DD detection, integrating advanced DL algorithms and meta-heuristic optimization techniques. This framework includes stages for data collection, preprocessing, feature extraction, feature selection, and DD detection, ultimately aiming to enhance diagnostic accuracy while addressing the limitations of existing models, such as interpretability and computational efficiency.