DOI: https://doi.org/10.14445/23488549/ijece-v13i1p116
تاريخ النشر: 2026-01-20
المؤلف: P. Yugander وآخرون
الموضوع الرئيسي: البحث في اضطراب طيف التوحد
نظرة عامة
تناقش ورقة البحث التحديات في تشخيص اضطراب طيف التوحد (ASD)، وهو حالة عصبية تنموية تتميز بصعوبات في التواصل والتفاعل الاجتماعي. غالبًا ما تكون طرق التشخيص التقليدية مستهلكة للوقت وتفتقر إلى الدقة، مما يستدعي الحاجة إلى حلول مؤتمتة. يقترح المؤلفون إطار عمل جديد للتعلم الآلي يستخدم خوارزمية 3D-ResNet50 المحسنة لاستخراج الميزات من صور الرنين المغناطيسي الوظيفي (fMRI). يدمج هذا الإطار مجموعة متنوعة من مصنّفات التعلم الآلي، بما في ذلك آلة الدعم الناقل (SVM)، وأقرب الجيران (KNN)، وغابة عشوائية (RF)، والانحدار اللوجستي (LR)، محققًا دقة تصنيف إجمالية تبلغ 90% و97% لمجموعة بيانات NYU على وجه الخصوص.
تشير النتائج إلى أن نهج 3D-ResNet50 المقترح يقلل بشكل فعال من المشكلات المتعلقة ببيانات fMRI عالية الأبعاد والتباينات المحددة للموقع، متفوقًا على نماذج CNN التقليدية و3D-CNN من خلال تجنب مشاكل التعميم والإفراط في التكيف. أظهر مصنف SVM أفضل أداء بقيمة منطقة تحت المنحنى (AUC) تبلغ 0.95 في تصنيف ASD. ستركز الأبحاث المستقبلية على تعزيز تعميم النظام المقترح من خلال التكيف مع المجال والتعلم الانتقالي، بالإضافة إلى دمج أنماط تصوير عصبي إضافية لتحسين نتائج التصنيف. كما يُقترح تنفيذ طرق الذكاء الاصطناعي القابلة للتفسير (XAI) لتعزيز قابلية تفسير النموذج، مما يسهل اتخاذ القرارات السريرية لتشخيص ASD المبكر من خلال أنظمة الفحص المؤتمتة. يُوصى بمزيد من التحقق على مجموعات بيانات أكبر واستكشاف تقنيات النمذجة المتقدمة لتحسين الإطار.
مقدمة
تتناول مقدمة ورقة البحث تعقيدات تشخيص اضطراب طيف التوحد (ASD)، مع التأكيد على الحاجة إلى التعرف المبكر والدقيق لتسهيل العلاج الفعال. تعتمد طرق التشخيص التقليدية بشكل كبير على تقييمات الخبراء والتقييمات السلوكية، والتي غالبًا ما تكون مستهلكة للوقت وتنتج نتائج غير متسقة. يمثل دمج تقنيات التصوير العصبي، وخاصة التصوير بالرنين المغناطيسي (MRI)، مع الذكاء الاصطناعي (AI) طريقًا واعدًا لأتمتة تشخيص ASD من خلال تحليل البيانات الموضوعية. ومع ذلك، لا تزال هناك تحديات بسبب التباين في بروتوكولات التصوير ومجموعات البيانات عبر مرافق البحث، مما يعيق تعميم نماذج التعلم الآلي.
لمعالجة هذه التحديات، تقترح الورقة إطار عمل هجين جديد يستخدم بنية 3D-ResNet50 لاستخراج الميزات العميقة، مع دمج خوارزميات التعلم الآلي مثل آلات الدعم الناقل (SVM)، والغابة العشوائية (RF)، وأقرب الجيران (KNN)، والانحدار اللوجستي (LR) للتصنيف. يهدف هذا النهج إلى تعزيز دقة تصنيف ASD من خلال معالجة بيانات fMRI المعقدة بشكل فعال مع مراعاة التباينات في معايير التصوير. يتم تقييم الإطار باستخدام مجموعة بيانات ABIDE-I المتاحة للجمهور، والتي تجمع البيانات من 17 موقعًا دوليًا، ويظهر أداءً متفوقًا في تصنيف ASD مقارنة بالطرق الحالية. توضح الورقة هيكلها، بما في ذلك مراجعة للأبحاث السابقة والمنهجيات، وعمليات الإطار التفصيلية، والنتائج، والاتجاهات المستقبلية لتحسين دقة تشخيص ASD.
النتائج
أظهر إطار العمل المحسن 3D-ResNet50 دقة ملحوظة تبلغ 90% في تصنيف اضطراب طيف التوحد (ASD) من مجموعة بيانات تضم 871 مسحًا لحالة الراحة تم معالجتها مسبقًا عبر 17 موقعًا دوليًا من اتحاد ABIDE-I. ومن الجدير بالذكر أن النموذج حقق دقة قصوى تبلغ 97% في موقع NYU، وذلك بفضل قدرته على التكيف مع التباينات المحددة للموقع. ساهم دمج 3D-ResNet50 مع مصنّفات آلة الدعم الناقل (SVM) في تسهيل تعلم الميزات الزمانية المكانية بشكل فعال وتأسيس حدود قرار قوية، مما يقلل من الفخاخ الشائعة في التعلم العميق المرتبطة ببيانات التصوير العصبي. أكدت مقاييس الأداء مثل الدقة والاسترجاع ودرجة F1 موثوقية النموذج وقدراته على التعميم عبر مجموعات بيانات متنوعة.
على الرغم من نقاط قوته، واجه الإطار تحديات في معالجة التباينات في بروتوكولات التصوير ودقة الماسحات، مما أثر على الاتساق في الأداء عبر مواقع مختلفة. أشارت النتائج إلى أنه بينما تفوق SVM على مصنّفات أخرى (الغابة العشوائية، وأقرب الجيران، والانحدار اللوجستي) في تصنيف ASD، أدت العوامل المحددة للموقع إلى تباين في الدقة والحساسية. على سبيل المثال، حقق مصنف الغابة العشوائية دقة تبلغ 78%، بينما حقق KNN والانحدار اللوجستي دقتين أقل تبلغان 70% و85% على التوالي. كشفت التحليلات أن جودة وتجانس مجموعات البيانات أثرت بشكل كبير على فعالية التصنيف، مع تسجيل أعلى درجات F1 في المواقع التي تتمتع ببروتوكولات جمع بيانات أكثر اتساقًا. بشكل عام، ظهر نموذج 3D-ResNet50 + SVM كأكثر نهج فعال لتصنيف ASD، حيث أظهر قدرات تمييز متفوقة كما يتضح من منطقة تحت المنحنى (AUC) تبلغ 0.85 في تحليل منحنى التشغيل المستقبلي (ROC).
المناقشة
تسلط قسم المناقشة في الورقة الضوء على التقدم الكبير في تطبيق تقنيات التعلم الآلي (ML) والتعلم العميق (DL) لتشخيص اضطراب طيف التوحد (ASD). استكشفت دراسات متنوعة منهجيات مختلفة، بما في ذلك آلات الدعم الناقل (SVM)، والشبكات العصبية التلافيفية (CNN)، والنهج الهجينة التي تجمع بين تقنيات التصوير العصبي مثل fMRI وEEG. على سبيل المثال، أكد حسن وآخرون على الحاجة إلى مجموعات بيانات متنوعة لتعزيز التعميم في اكتشاف ASD، بينما اقترح يانغ وآخرون مؤشرات حيوية للتصوير بالرنين المغناطيسي الهيكلي تتطلب التحقق عبر ديموغرافيات أوسع. تكشف الأدبيات عن توافق في الآراء حول إمكانية تحسين خوارزميات ML وDL لدقة التشخيص، ومع ذلك لا تزال هناك تحديات، مثل نقص مجموعات البيانات القياسية والحاجة إلى مزيد من دراسات التحقق الشاملة.
تستخدم الطريقة المقترحة في هذا البحث بنية 3D-ResNet50 لاستخراج الميزات من بيانات fMRI، تليها التصنيف باستخدام خوارزميات ML متنوعة، بما في ذلك SVM، وأقرب الجيران (KNN)، والغابة العشوائية (RF)، والانحدار اللوجستي (LR). يعالج الإطار بشكل فعال تعقيدات بيانات التصوير العصبي عالية الأبعاد، محققًا دقة تصنيف مثيرة للإعجاب تبلغ 90% على مجموعة بيانات ABIDE-I و97% في موقع NYU. أظهر مصنف SVM أداءً متفوقًا مع منطقة تحت المنحنى (AUC) تبلغ 0.95، مما يدل على فعاليته في التمييز بين مرضى ASD والأشخاص الأصحاء. تؤكد الدراسة على أهمية دمج تقنيات DL المتقدمة مع مصنّفات ML لتعزيز قدرات التشخيص، مما يمهد الطريق لأبحاث مستقبلية تركز على تحسين التعميم من خلال التكيف مع المجال والتعلم الانتقالي.
DOI: https://doi.org/10.14445/23488549/ijece-v13i1p116
Publication Date: 2026-01-20
Author(s): P. Yugander et al.
Primary Topic: Autism Spectrum Disorder Research
Overview
The research paper addresses the challenges in diagnosing Autism Spectrum Disorder (ASD), a neurodevelopmental condition characterized by difficulties in communication and social interaction. Traditional diagnostic methods are often time-consuming and lack accuracy, prompting the need for automated solutions. The authors propose a novel Machine Learning Framework that utilizes an enhanced 3D-ResNet50 algorithm for feature extraction from Functional Magnetic Resonance Images (fMRI). This framework integrates various machine learning classifiers, including Support Vector Machine (SVM), K-Nearest Neighbours (KNN), Random Forest (RF), and Logistic Regression (LR), achieving an overall classification accuracy of 90% and 97% for the NYU dataset specifically.
The findings indicate that the proposed 3D-ResNet50 approach effectively mitigates issues related to high-dimensional fMRI data and site-specific variations, outperforming conventional CNN and 3D-CNN models by avoiding generalization and overfitting problems. The SVM classifier demonstrated the best performance with an Area Under the Curve (AUC) value of 0.95 in ASD categorization. Future research will focus on enhancing the generalization of the proposed system through domain adaptation and transfer learning, as well as incorporating additional neuroimaging modalities to improve classification outcomes. The implementation of Explainable AI (XAI) methods is also suggested to enhance model interpretability, facilitating clinical decision-making for early ASD diagnosis through automated screening systems. Further validation on larger datasets and exploration of advanced modeling techniques are recommended to refine the framework.
Introduction
The introduction of the research paper addresses the complexities of diagnosing Autism Spectrum Disorder (ASD), emphasizing the need for early and accurate identification to facilitate effective treatment. Traditional diagnostic methods rely heavily on expert evaluations and behavioral assessments, which are often time-consuming and yield inconsistent results. The integration of neuroimaging techniques, particularly Magnetic Resonance Imaging (MRI), with Artificial Intelligence (AI) presents a promising avenue for automating ASD diagnosis through objective data analysis. However, challenges remain due to variability in imaging protocols and datasets across research facilities, which hinder the generalization of machine learning models.
To address these challenges, the paper proposes a novel hybrid framework that utilizes the 3D-ResNet50 architecture for deep feature extraction, combined with machine learning algorithms such as Support Vector Machines (SVM), Random Forest (RF), K-Nearest Neighbors (KNN), and Logistic Regression (LR) for classification. This approach aims to enhance the accuracy of ASD classification by effectively processing complex fMRI data while accommodating variations in imaging standards. The framework is evaluated using the publicly available ABIDE-I dataset, which aggregates data from 17 international sites, and demonstrates superior performance in ASD classification compared to existing methods. The paper outlines its structure, including a review of prior research and methodologies, detailed framework operations, results, and future directions for improving ASD diagnostic accuracy.
Results
The enhanced 3D-ResNet50 framework demonstrated a remarkable 90% accuracy in classifying Autism Spectrum Disorder (ASD) from a dataset of 871 preprocessed resting-state fMRI scans across 17 international sites from the ABIDE-I consortium. Notably, the model achieved a peak accuracy of 97% at the NYU site, attributed to its ability to adapt to site-specific variations. The integration of 3D-ResNet50 with Support Vector Machine (SVM) classifiers facilitated effective spatial-temporal feature learning and established a robust decision boundary, mitigating common deep learning pitfalls associated with neuroimaging data. Performance metrics such as precision, recall, and F1-score underscored the model’s reliability and generalization capabilities across diverse datasets.
Despite its strengths, the framework faced challenges in addressing variations in imaging protocols and scanner resolutions, which affected consistency in performance across different sites. The results indicated that while SVM outperformed other classifiers (Random Forest, K-Nearest Neighbors, and Logistic Regression) in ASD classification, site-specific factors led to variability in accuracy and sensitivity. For instance, the Random Forest classifier achieved an accuracy of 78%, while KNN and Logistic Regression yielded lower accuracies of 70% and 85%, respectively. The analysis revealed that the quality and homogeneity of datasets significantly influenced classification effectiveness, with the highest F1-scores recorded at sites with more consistent data collection protocols. Overall, the 3D-ResNet50 + SVM model emerged as the most effective approach for ASD classification, demonstrating superior discrimination capabilities as evidenced by an Area Under the Curve (AUC) of 0.85 in Receiver Operating Characteristic (ROC) analysis.
Discussion
The discussion section of the paper highlights significant advancements in the application of machine learning (ML) and deep learning (DL) technologies for diagnosing Autism Spectrum Disorder (ASD). Various studies have explored diverse methodologies, including Support Vector Machines (SVM), Convolutional Neural Networks (CNN), and hybrid approaches combining neuroimaging techniques like fMRI and EEG. For instance, Hasan et al. emphasized the need for diverse datasets to enhance generalization in ASD detection, while Yang et al. proposed structural MRI biomarkers that require validation across broader demographics. The literature reveals a consensus on the potential of ML and DL algorithms to improve diagnostic accuracy, yet challenges remain, such as the lack of standardized datasets and the need for more comprehensive validation studies.
The proposed method in this research utilizes a 3D-ResNet50 architecture for feature extraction from fMRI data, followed by classification using various ML algorithms, including SVM, K-Nearest Neighbors (KNN), Random Forest (RF), and Logistic Regression (LR). The framework effectively addresses the complexities of high-dimensional neuroimaging data, achieving an impressive classification accuracy of 90% on the ABIDE-I dataset and 97% at the NYU site. The SVM classifier demonstrated superior performance with an area under the curve (AUC) of 0.95, indicating its efficacy in distinguishing between ASD patients and healthy controls. The study underscores the importance of integrating advanced DL techniques with ML classifiers to enhance diagnostic capabilities, paving the way for future research focused on improving generalization through domain adaptation and transfer learning.