DOI: https://doi.org/10.65505/etes-26-0009
تاريخ النشر: 2026-06-30
المؤلف: Sabreen Waheed Kadhum وآخرون
الموضوع الرئيسي: البحث في اضطراب طيف التوحد
نظرة عامة
تتناول ورقة البحث التحديات في تشخيص اضطراب طيف التوحد (ASD) وتقترح نهج تعلم الآلة (ML) للتنبؤ المبكر بـ ASD لدى الأطفال. تتكون المنهجية من ثلاث مراحل: معالجة مجموعة بيانات تتكون من 1,250 حالة ASD، واختيار خمس ميزات هامة بناءً على معامل الارتباط بيرسون العالي (PCC)، وتقييم أداء خمسة خوارزميات ML—نايف بايز (NB)، أقرب جار (kNN)، شجرة القرار (DT)، آلة الدعم الناقل (SVM)، وأدا بوست M1 (ABM1)—باستخدام مقاييس مثل الدقة، الدقة، وقت التنبؤ، الاسترجاع، ودرجة F1. تشير النتائج إلى أن NB و kNN حققا أعلى معدلات دقة بنسبة 99.2% و 97.2% على التوالي، مع أوقات تنبؤ ضئيلة، بينما كانت SVM الأقل فعالية بدقة 80.4%.
تؤكد الدراسة على أهمية اختيار الميزات في تعزيز أداء خوارزميات ML لتنبؤ ASD. وتخلص إلى أن طريقة نايف بايز تتفوق على الخوارزميات الأخرى، مما يشير إلى إمكاناتها للتطبيق العملي في تشخيص ASD المبكر. تتماشى الأبحاث مع عدة أهداف للتنمية المستدامة (SDGs)، وخاصة الهدف 3 (الصحة الجيدة والرفاه)، الهدف 10 (تقليل الفجوات)، والهدف 9 (تعزيز القدرات التكنولوجية في البحث العلمي). تهدف الأعمال المستقبلية إلى تطوير نموذج هجين يجمع بين تقنيات ML واستراتيجيات التحسين لإنشاء أداة تشخيصية أكثر تكيفًا للتوحد.
مقدمة
تسلط مقدمة ورقة البحث الضوء على انتشار وتأثير اضطراب طيف التوحد (ASD) على مستوى العالم، حيث يؤثر على حوالي عشرين مليون فرد في جميع أنحاء العالم. يتميز ASD بالتحديات في التواصل والتفاعل الاجتماعي، إلى جانب السلوكيات المتكررة، مما يمكن أن يؤدي إلى إعاقات وظيفية كبيرة، خاصة في الأطفال الصغار. يتم التأكيد على أن التشخيص المبكر والدقيق أمر حاسم لتحسين النتائج وتقليل السلوكيات غير التكيفية. على الرغم من التقدم في الأبحاث، لا تزال الآليات الدماغية الأساسية لـ ASD غير واضحة، مما يؤدي إلى الاعتماد على التقييمات السلوكية للتشخيص بدلاً من العوامل السببية. غالبًا ما يتم استخدام الاختبارات الجينية بعد التشخيص لتقييم المخاطر، لكنها لا تقدم إجابات حاسمة.
تناقش الورقة إمكانية الأنظمة الآلية التي تستخدم تعلم الآلة (ML) لتعزيز الكشف المبكر والتدخل لـ ASD. تستعرض دراسات مختلفة استكشفت خوارزميات ML ومنهجياتها لتنبؤ ASD، مشيرة إلى القيود مثل ندرة مجموعات البيانات الشاملة والاعتماد على التقييمات الذاتية. يقترح المؤلفون دراسة تستخدم بيانات طبية من 1,250 حالة مع عشرة سمات لتصنيف الأطفال كغير مصابين بـ ASD أو مصابين بـ ASD باستخدام خمس خوارزميات ML. تهدف الأبحاث إلى تحسين دقة النموذج من خلال اختيار الميزات وتقليل الأبعاد، باستخدام معامل الارتباط بيرسون (PCC) لتحديد الميزات ذات الصلة وتعزيز الأداء التنبؤي. يتم توضيح هيكل الورقة، مما يشير إلى نهج منهجي لتقديم التقنيات المقترحة، ومعايير التقييم، والنتائج، والاتجاهات المستقبلية للبحث في تنبؤ ASD.
الطرق
تحدد قسم المنهجية إطارًا يهدف إلى التنبؤ المبكر باضطراب طيف التوحد (ASD) من خلال تحديد الخصائص الرئيسية التي تؤثر بشكل كبير على دقة التنبؤ. يهدف هذا النهج إلى تحسين تكاليف تجارب المرضى من خلال التركيز على السمات التي لها تأثير كبير على النتائج. تستخدم الأبحاث مجموعة بيانات مأخوذة من كاجل، وتستخدم تقنية معامل الارتباط بيرسون (PCC) لتقييم العلاقات بين عشرة ميزات مختارة.
من خلال هذا التحليل، يتم استخراج خمس ميزات تظهر أعلى ارتباط إيجابي مع ASD. ثم يتم تحليل هذه الميزات باستخدام خمس خوارزميات تعلم آلة متميزة: نايف بايز (NB)، أقرب الجيران (k-NN)، أشجار القرار (DT)، آلات الدعم الناقل (SVM)، وزيادة التكيف (ABM1). يهدف الإطار المقترح، الموضح في الشكل 1، إلى تعزيز الدقة التنبؤية لتحديد احتمال تطور ASD لدى الأطفال في مرحلة مبكرة.
النتائج
تقدم النتائج المعروضة في الجداول 4 و 5 تقييم الأداء لخمس خوارزميات تم تطبيقها على مجموعة بيانات تتكون من 1,250 حالة، مع التركيز على عشرة خصائص. بعد تنفيذ تقنية تحليل المكونات الرئيسية (PCA) لتقليل مجموعة الميزات إلى خمسة سمات رئيسية—الجنس، تأخر الكلام، اليرقان، الحالة الجينية، والتاريخ العائلي—يكشف التحليل عن تحسين كبير في مقاييس الأداء المختلفة. تؤكد هذه النتيجة على أهمية اختيار الميزات في تعزيز الدقة التنبؤية للنماذج من خلال القضاء على الخصائص الزائدة أو غير ذات الصلة.
تظهر الدراسة أنه من خلال التركيز على الميزات الأكثر صلة، تحقق الخوارزميات ليس فقط دقة أعلى ولكن أيضًا تقلل من التعقيد الحسابي. يبرز هذا التحسين الحاجة الملحة لتقنيات تقليل العينة الفعالة في تحسين خوارزميات تعلم الآلة، مما يعزز سرعتها وموثوقيتها. بالإضافة إلى ذلك، يوضح الشكل 2 الدقة التنبؤية للخمس خوارزميات عند تقييمها ضد كل من مجموعة الخصائص العشر الكاملة ومجموعة البيانات المنقحة مع الميزات التي تم تقليلها.
المناقشة
في قسم المناقشة، يوضح المؤلفون منهجيتهم لتنبؤ اضطراب طيف التوحد (ASD) باستخدام تقنيات تعلم الآلة (ML) على مجموعة بيانات تتكون من 1,250 حالة. تم تقسيم مجموعة البيانات إلى 80% للتدريب و20% للاختبار، مع التركيز على عشرة ميزات رئيسية، بما في ذلك الجنس، تأخر الكلام، والتاريخ العائلي. استخدمت الدراسة تحليل معامل الارتباط بيرسون (PCC) لتقييم العلاقات بين هذه الميزات، مما يكشف عن ارتباط إيجابي قوي بين عدة متغيرات مرتبطة بـ ASD، بينما أظهر اليرقان ارتباطًا سلبيًا. هذا الفهم ضروري للاستشارة الجينية واستراتيجيات التدخل المبكر.
نفذ المؤلفون خمس خوارزميات ML تحت الإشراف—نايف بايز (NB)، آلة الدعم الناقل (SVM)، وأدا بوست M1 (ABM1)—لتصنيف البيانات. أشارت النتائج إلى أن NB تفوقت على المصنفات الأخرى، محققة دقة بنسبة 99.9%، بينما سجلت SVM أدنى دقة عند 74.4%. تؤكد الدراسة على أهمية الحساسية (الاسترجاع) على الدقة في التشخيصات الطبية، حيث يمكن أن تؤدي الدقة العالية مع الحساسية المنخفضة إلى تفويت حالات ASD. بالإضافة إلى ذلك، تسلط الأبحاث الضوء على كفاءة تقنيات تقليل الميزات، التي حسنت أداء النموذج وقللت من وقت التنبؤ. تساهم النتائج في الأهداف الأوسع لتحسين نتائج الصحة وتقليل الفجوات، مما يتماشى مع أهداف التنمية المستدامة (SDGs) المتعلقة بالصحة والرفاه. تهدف الأعمال المستقبلية إلى تطوير نماذج هجينة تدمج ML مع تقنيات التحسين لتشخيص التوحد التكيفي.
DOI: https://doi.org/10.65505/etes-26-0009
Publication Date: 2026-06-30
Author(s): Sabreen Waheed Kadhum et al.
Primary Topic: Autism Spectrum Disorder Research
Overview
The research paper addresses the challenges in diagnosing autism spectrum disorder (ASD) and proposes a machine learning (ML) approach for early prediction of ASD in children. The methodology consists of three stages: preprocessing a dataset of 1,250 ASD cases, selecting five significant features based on their high Pearson correlation coefficients (PCC), and evaluating the performance of five ML algorithms—Naïve Bayes (NB), K-Nearest Neighbor (kNN), Decision Tree (DT), Support Vector Machine (SVM), and AdaBoostM1 (ABM1)—using metrics such as accuracy, precision, prediction time, recall, and F1-score. The results indicate that NB and kNN achieved the highest accuracy rates of 99.2% and 97.2%, respectively, with minimal prediction times, while SVM performed the least effectively with an accuracy of 80.4%.
The study emphasizes the importance of feature selection in enhancing the performance of ML algorithms for ASD prediction. It concludes that the Naïve Bayes method outperforms the other algorithms, suggesting its potential for practical application in early ASD diagnosis. The research aligns with several Sustainable Development Goals (SDGs), particularly SDG 3 (good health and well-being), SDG 10 (reducing inequalities), and SDG 9 (strengthening technological capabilities in scientific research). Future work aims to develop a hybrid model that combines ML techniques with optimization strategies to create a more adaptive diagnostic tool for autism.
Introduction
The introduction of the research paper highlights the global prevalence and impact of autism spectrum disorder (ASD), affecting approximately twenty million individuals worldwide. ASD is characterized by challenges in communication and social interaction, alongside repetitive behaviors, which can lead to significant functional impairments, particularly in young children. Early and accurate diagnosis is emphasized as crucial for improving outcomes and reducing maladaptive behaviors. Despite advancements in research, the underlying brain mechanisms of ASD remain unclear, leading to a reliance on behavioral assessments for diagnosis rather than etiological factors. Genetic testing is often employed post-diagnosis to assess risk, but it does not provide definitive answers.
The paper discusses the potential of automated systems utilizing machine learning (ML) to enhance early detection and intervention for ASD. It reviews various studies that have explored different ML algorithms and methodologies for predicting ASD, noting limitations such as the scarcity of comprehensive datasets and the reliance on subjective assessments. The authors propose a study that utilizes medical data from 1,250 cases with ten attributes to classify children as either non-ASD or ASD using five ML algorithms. The research aims to improve model accuracy through feature selection and dimensionality reduction, employing the Pearson Correlation Coefficient (PCC) to identify relevant features and enhance predictive performance. The structure of the paper is outlined, indicating a systematic approach to presenting the proposed techniques, assessment criteria, findings, and future directions for research in ASD prediction.
Methods
The methodology section outlines a framework aimed at early prediction of Autism Spectrum Disorder (ASD) by identifying key characteristics that significantly influence prediction accuracy. This approach is intended to optimize patient trial costs by focusing on traits that have a substantial impact on outcomes. The research utilizes a dataset sourced from Kaggle, and employs the Pearson Correlation Coefficient (PCC) technique to evaluate the relationships among ten selected features.
From this analysis, five features exhibiting the highest positive correlation with ASD are extracted. These features are then analyzed using five distinct machine learning algorithms: Naive Bayes (NB), k-Nearest Neighbors (k-NN), Decision Trees (DT), Support Vector Machines (SVM), and Adaptive Boosting (ABM1). The proposed framework, illustrated in Figure 1, aims to enhance the predictive accuracy for determining the likelihood of ASD development in children at an early stage.
Results
The results presented in Tables 4 and 5 detail the performance assessment of five algorithms applied to a dataset of 1,250 cases, focusing on ten characteristics. Following the implementation of the Principal Component Analysis (PCA) technique to reduce the feature set to five key attributes—gender, speech delay, jaundice, genetic condition, and familial history—the analysis reveals a significant improvement in various performance metrics. This finding underscores the importance of feature selection in enhancing the predictive accuracy of models by eliminating redundant or irrelevant characteristics.
The study demonstrates that by concentrating on the most pertinent features, the algorithms not only achieve higher accuracy but also reduce computational complexity. This improvement emphasizes the critical need for effective down-sampling techniques in optimizing machine learning algorithms, thereby enhancing their speed and reliability. Additionally, Figure 2 illustrates the predictive accuracy of the five algorithms when evaluated against both the full set of ten characteristics and the refined dataset with down-sampled features.
Discussion
In the discussion section, the authors detail their methodology for predicting autism spectrum disorder (ASD) using machine learning (ML) techniques on a dataset of 1,250 instances. The dataset was partitioned into 80% for training and 20% for testing, with a focus on ten key features, including gender, speech delay, and family history. The study employed Pearson correlation coefficient (PCC) analysis to evaluate the relationships among these features, revealing a strong positive correlation among several variables related to ASD, while jaundice exhibited a negative correlation. This understanding is crucial for genetic counseling and early intervention strategies.
The authors implemented five supervised ML algorithms—Naïve Bayes (NB), Support Vector Machine (SVM), and AdaboostM1 (ABM1)—to classify the data. The results indicated that NB outperformed the other classifiers, achieving an accuracy of 99.9%, while SVM recorded the lowest accuracy at 74.4%. The study emphasizes the importance of sensitivity (recall) over accuracy in medical diagnostics, as high accuracy with low sensitivity could lead to missed ASD cases. Additionally, the research highlights the efficiency of feature reduction techniques, which improved model performance and reduced prediction time. The findings contribute to the broader goals of enhancing health outcomes and reducing inequalities, aligning with Sustainable Development Goals (SDGs) related to health and well-being. Future work aims to develop hybrid models that integrate ML with optimization techniques for adaptive autism diagnostics.