DOI: https://doi.org/10.3389/frai.2025.1594372
PMID: https://pubmed.ncbi.nlm.nih.gov/40636395
تاريخ النشر: 2025-06-25
المؤلف: Ibrahim Nafisah وآخرون
الموضوع الرئيسي: دراسات الاتصال الوظيفي في الدماغ
نظرة عامة
تقدم ورقة البحث نموذجًا جديدًا للتعلم العميق (DL) مصممًا لاكتشاف اضطراب طيف التوحد (ASD) باستخدام بيانات التصوير بالرنين المغناطيسي الوظيفي في حالة الراحة (rs-fMRI). يدمج النموذج مشفرًا تلقائيًا للتخلص من الضوضاء (SSDAE) مع شبكة عصبية متعددة الطبقات (MLP) لاستخراج الميزات ذات الصلة من مجموعة بيانات ABIDE I، التي تم معالجتها مسبقًا من خلال خط أنابيب CPAC. يتم استخدام خوارزمية تحسين المشي المحسن (HOA)، المعززة بتعلم الأضداد الديناميكي (DOL) وجاذبيات مزدوجة، لاختيار الميزات، مع معالجة التحديات مثل الأبعاد العالية والضوضاء في بيانات التصوير العصبي. يظهر النموذج مقاييس أداء واعدة، حيث يحقق دقة متوسطة تبلغ 0.735، وحساسية تبلغ 0.765، ومنطقة تحت المنحنى (AUC) تبلغ 0.790، متجاوزًا الطرق الحالية المتطورة.
تؤكد النتائج على إمكانيات نهج DL الهجين وHOA المعدل في تحسين اكتشاف ASD، مما قد يعزز استراتيجيات التدخل المبكر. ومع ذلك، تعترف الدراسة بالتحديات المتعلقة بالتنوع البيولوجي لـ ASD والتباينات في بروتوكولات التصوير التي قد تؤثر على قابلية تعميم النموذج. تشمل اتجاهات البحث المستقبلية دمج مجموعات بيانات متعددة المواقع مع معالجة مسبقة موحدة، وتعزيز قابلية تفسير النموذج من خلال تقنيات الذكاء الاصطناعي القابلة للتفسير، واستكشاف تطبيق هذا النهج على اضطرابات النمو العصبي الأخرى. بشكل عام، تضع هذه الدراسة أساسًا لتطوير أداة تشخيصية أكثر فعالية لـ ASD، مع التأكيد على الحاجة إلى مزيد من التحقق في بيئات سريرية متنوعة لضمان القابلية العملية.
مقدمة
تستعرض مقدمة الورقة التعقيدات والتحديات المرتبطة باضطراب طيف التوحد (ASD)، وهو حالة عصبية تنموية تتميز بحواجز التواصل، وصعوبات في التفاعل الاجتماعي، واهتمامات محدودة. يمكن أن تحدث تشخيصات ASD في وقت مبكر يصل إلى 18 إلى 24 شهرًا، ومع ذلك، غالبًا ما تتواجد الحالة مع اضطرابات أخرى، مما يعقد التعرف الدقيق. لقد زادت نسبة انتشار ASD بشكل ملحوظ، حيث تشير الإحصاءات الحديثة إلى أن 1 من كل 36 طفلًا في الولايات المتحدة يتم تشخيصهم، مما يبرز الحاجة الملحة لتحسين أدوات التشخيص. غالبًا ما تفوت الطرق التقليدية، المعتمدة على تقارير الآباء الذاتية، الحالات، خاصة بين الإناث وأولئك الذين ليس لديهم إعاقات عقلية.
لمعالجة هذه التحديات التشخيصية، تقترح الورقة نهجًا جديدًا يدمج تقنيات التعلم العميق (DL) واختيار الميزات (FS)، باستخدام مشفر تلقائي للتخلص من الضوضاء (SSDAE) مع شبكة عصبية متعددة الطبقات (MLP) لاستخراج الميزات من بيانات التصوير بالرنين المغناطيسي الوظيفي في حالة الراحة (rs-fMRI). يعزز النموذج المقترح FS من خلال خوارزمية تحسين المشي المعدلة (HOA) التي تتضمن تعلم الأضداد الديناميكي (DOL) وجاذبيات مزدوجة لتحسين اختيار الميزات. تهدف الدراسة إلى تقييم فعالية هذا النموذج عبر مجموعات بيانات متعددة، مما يساهم في تطوير طرق اكتشاف ASD أكثر دقة وسهولة الوصول.
طرق
في هذا القسم، يقدم المؤلفون النتائج التجريبية وتحليل الأداء لنموذج اكتشاف التوحد المقترح. تشمل التقييم سلسلة من التجارب المصممة لتقييم فعالية النموذج في اكتشاف التوحد بدقة، مع التركيز على مقارنة أدائه مع النماذج الموجودة في هذا المجال. يهدف هذا التحليل المقارن إلى تسليط الضوء على نقاط القوة والقيود في النهج المقترح، مما يوفر رؤى حول تطبيقاته المحتملة ومجالات التحسين. تؤكد النتائج على قدرات النموذج وتساهم في النقاش المستمر حول منهجيات اكتشاف التوحد.
نتائج
تظهر نتائج الدراسة فعالية خوارزمية تحسين المشي المعدلة (MHOA) لاكتشاف اضطراب طيف التوحد (ASD)، باستخدام مجموعات بيانات من قاعدة بيانات ABIDE I. تم تقييم MHOA مقابل ستة خوارزميات تحسين ميتاheuristic أخرى، بما في ذلك خوارزمية تحسين المشي (HOA) وخوارزمية العفن الطحلبي (SMA)، من بين آخرين. تم تطبيق بروتوكولات معالجة وتقييم متسقة لضمان مقارنات عادلة عبر الخوارزميات. تفوقت MHOA على منافسيها في مقاييس رئيسية مثل الدقة والحساسية ومنطقة تحت المنحنى (AUC)، محققة أعلى دقة متوسطة تبلغ 0.7019 وتظهر قدرات تصنيف متفوقة.
فيما يتعلق باختيار الميزات، اختارت MHOA باستمرار ميزات أقل مقارنة بالطرق الأخرى، مما يشير إلى فعاليتها في تقليل الأبعاد مع الحفاظ على أداء التصنيف. أظهرت النتائج أن MHOA حققت قيم ملائمة تنافسية واستقرارًا، على الرغم من أن بعض المقاييس أشارت إلى تباين مقارنة بالخوارزميات الأخرى. أكدت اختبار فريدمان أيضًا على تفوق MHOA في الدقة وAUC والحساسية، مما يبرز فعاليتها العامة في اكتشاف ASD. بينما أظهرت MHOA أداءً قويًا، تم الإشارة إلى أنه يمكن إجراء تحسينات في الاستقرار لبعض المقاييس، مما يشير إلى مجالات للبحث المستقبلي. بشكل عام، تؤكد النتائج على دمج بنية هجينة تجمع بين SSDAE وMLP مع إطار تحسين معزز لتحسين نتائج اكتشاف ASD.
مناقشة
تسلط قسم المناقشة في الورقة الضوء على التقدم الكبير في النماذج المعتمدة على الذكاء الاصطناعي لاكتشاف اضطراب طيف التوحد (ASD)، خاصة من خلال دمج تقنيات اختيار الميزات (FS) وخوارزميات التعلم العميق (DL). تشمل المساهمات الملحوظة مستودع بيانات تصوير دماغ التوحد (ABIDE)، الذي سهل التحليلات عالية الأبعاد للتواصل الوظيفي في ASD. استخدمت دراسات مختلفة منهجيات مختلفة، مثل الشبكات العصبية الالتفافية (GCNs) والشبكات العصبية التلافيفية (CNNs)، محققة دقة تتراوح بين 70% إلى 98.6% في تصنيف ASD باستخدام بيانات التصوير العصبي. لقد عزز تطور الهياكل الهجينة، مثل دمج آلة الدعم الناقل مع إزالة الميزات التكرارية (SVM-RFE) مع CNNs ثلاثية الأبعاد، أداء التصنيف، مما يشير إلى أهمية اختيار الميزات في تحسين قابلية تعميم النموذج.
يناقش القسم أيضًا إدخال خوارزميات مبتكرة مثل خوارزمية تحسين المشي (HOA) وتعلم الأضداد الديناميكي (DOL)، التي تهدف إلى تحسين عمليات اختيار الميزات وتحسين البحث عن الميزات ذات الصلة في مجموعات البيانات المعقدة. يستفيد النموذج المقترح من هذه الخوارزميات جنبًا إلى جنب مع مشفر تلقائي للتخلص من الضوضاء (SSDAE) وشبكة عصبية متعددة الطبقات (MLP) لاستخراج وتصنيف الميزات من بيانات fMRI في حالة الراحة. تشير النتائج إلى أن النموذج لا يحسن دقة التشخيص فحسب، بل لديه أيضًا إمكانية تطبيقات أوسع في تعزيز منهجيات التشخيص الحالية لـ ASD. قد تركز الأعمال المستقبلية على تحسين هذه التقنيات واستكشاف قابليتها للتطبيق في بيئات سريرية متنوعة.
DOI: https://doi.org/10.3389/frai.2025.1594372
PMID: https://pubmed.ncbi.nlm.nih.gov/40636395
Publication Date: 2025-06-25
Author(s): Ibrahim Nafisah et al.
Primary Topic: Functional Brain Connectivity Studies
Overview
The research paper presents a novel deep learning (DL) model designed for the detection of Autism Spectrum Disorder (ASD) using resting-state functional MRI (rs-fMRI) data. The model integrates a Stacked Sparse Denoising Autoencoder (SSDAE) with a Multi-Layer Perceptron (MLP) to effectively extract relevant features from the ABIDE I dataset, which has been preprocessed through the CPAC pipeline. An optimized Hiking Optimization Algorithm (HOA), enhanced by Dynamic Opposites Learning (DOL) and Double Attractors, is employed for feature selection, addressing challenges such as high dimensionality and noise in neuroimaging data. The model demonstrates promising performance metrics, achieving an average accuracy of 0.735, sensitivity of 0.765, and an area under the curve (AUC) of 0.790, surpassing existing state-of-the-art methods.
The findings underscore the potential of the hybrid DL approach and the modified HOA in improving ASD detection, which could enhance early intervention strategies. However, the study acknowledges challenges related to the biological heterogeneity of ASD and variations in imaging protocols that may impact the model’s generalizability. Future research directions include the integration of multi-site datasets with standardized preprocessing, enhancing model interpretability through explainable AI techniques, and exploring the application of this approach to other neurodevelopmental disorders. Overall, this study lays a foundation for developing a more effective diagnostic tool for ASD, emphasizing the need for further validation in diverse clinical settings to ensure practical applicability.
Introduction
The introduction of the paper outlines the complexities and challenges associated with Autism Spectrum Disorder (ASD), a neurodevelopmental condition characterized by communication barriers, social interaction difficulties, and restricted interests. ASD diagnoses can occur as early as 18 to 24 months, yet the condition often coexists with other disorders, complicating accurate identification. The prevalence of ASD has notably increased, with recent statistics indicating that 1 in 36 children in the United States are diagnosed, highlighting the urgent need for improved diagnostic tools. Traditional methods, reliant on subjective parental reports, often miss cases, particularly among females and those without intellectual disabilities.
To address these diagnostic challenges, the paper proposes a novel approach that integrates deep learning (DL) and feature selection (FS) techniques, specifically utilizing a Stacked Sparse Denoising Autoencoder (SSDAE) combined with a Multi-Layer Perceptron (MLP) for feature extraction from resting-state functional MRI (rs-fMRI) data. The proposed model enhances FS through a modified Hiking Optimization Algorithm (HOA) that incorporates Dynamic Opposites Learning (DOL) and Double Attractors to optimize feature selection. The study aims to evaluate the effectiveness of this model across multiple datasets, contributing to the development of more accurate and accessible ASD detection methods.
Methods
In this section, the authors present the experimental results and performance analysis of their proposed autism detection model. The evaluation involves a series of experiments designed to assess the model’s effectiveness in accurately detecting autism, with a focus on comparing its performance against existing models in the field. This comparative analysis aims to highlight the strengths and limitations of the proposed approach, providing insights into its potential applications and areas for improvement. The findings underscore the model’s capabilities and contribute to the ongoing discourse on autism detection methodologies.
Results
The results of the study demonstrate the effectiveness of the proposed Modified Hiking Optimization Algorithm (MHOA) for Autism Spectrum Disorder (ASD) detection, utilizing datasets from the ABIDE I database. The MHOA was evaluated against six other metaheuristic optimization algorithms, including the Hiking Optimization Algorithm (HOA) and the Slime Mold Algorithm (SMA), among others. Consistent preprocessing and evaluation protocols were applied to ensure fair comparisons across algorithms. The MHOA outperformed its competitors in key metrics such as accuracy, sensitivity, and area under the curve (AUC), achieving the highest mean accuracy of 0.7019 and demonstrating superior classification capabilities.
In terms of feature selection, MHOA consistently selected fewer features compared to other methods, indicating its efficacy in dimensionality reduction while maintaining classification performance. The results showed that MHOA achieved competitive fitness values and stability, although some metrics indicated variability compared to other algorithms. The Friedman test further confirmed MHOA’s dominance in accuracy, AUC, and sensitivity, highlighting its overall effectiveness in ASD detection. While MHOA showed strong performance, it was noted that improvements could be made in stability for certain metrics, suggesting avenues for future research. Overall, the findings validate the integration of a hybrid architecture combining SSDAE and MLP with an enhanced optimization framework for improved ASD detection outcomes.
Discussion
The discussion section of the paper highlights significant advancements in AI-based models for Autism Spectrum Disorder (ASD) detection, particularly through the integration of feature selection (FS) techniques and deep learning (DL) algorithms. Notable contributions include the Autism Brain Imaging Data Exchange (ABIDE) repository, which has facilitated high-dimensional analyses of functional connectivity in ASD. Various studies have employed different methodologies, such as graph convolutional networks (GCNs) and convolutional neural networks (CNNs), achieving accuracies ranging from 70% to 98.6% in classifying ASD using neuroimaging data. The evolution of hybrid architectures, such as combining support vector machine recursive feature elimination (SVM-RFE) with 3D CNNs, has further enhanced classification performance, indicating the importance of feature selection in improving model generalizability.
The section also discusses the introduction of innovative algorithms like the Hiking Optimization Algorithm (HOA) and Dynamic-Opposite Learning (DOL), which aim to refine feature selection processes and optimize the search for relevant features in complex datasets. The proposed model leverages these algorithms alongside a stacked sparse denoising autoencoder (SSDAE) and a multi-layer perceptron (MLP) to extract and classify features from resting-state fMRI data. The results suggest that the model not only improves diagnostic accuracy but also has the potential for broader applications in enhancing current ASD diagnostic methodologies. Future work may focus on further refining these techniques and exploring their applicability in diverse clinical settings.