DOI: https://doi.org/10.14569/ijacsa.2026.0170257
تاريخ النشر: 2026-01-01
المؤلف: P. Yugander وآخرون
الموضوع الرئيسي: البحث في اضطراب طيف التوحد
نظرة عامة
تقدم ورقة البحث إطار عمل جديد لتعلم الآلة يهدف إلى تصنيف اضطراب طيف التوحد (ASD) من ضوابط صحية باستخدام بيانات التصوير بالرنين المغناطيسي الوظيفي (fMRI). يتم دعم طرق التشخيص التقليدية لـ ASD، التي تعتمد بشكل كبير على الملاحظات السلوكية والمقابلات السريرية، من خلال هذا الإطار الذي يستخدم شبكة عصبية تلافيفية محسّنة (ECNN) لاستخراج الميزات تليها مصنفات تعلم الآلة للتصنيف. تستخدم الدراسة مجموعة بيانات تتكون من 1112 صورة fMRI، بما في ذلك 539 من المشاركين في ASD و573 من الضوابط الصحية، مأخوذة من 17 مجموعة بيانات متاحة على موقع ABIDE. يظهر الإطار المقترح أداءً متفوقًا، حيث يحقق دقة تبلغ 92.45% عبر مجموعة بيانات ABIDE بالكامل و98.61% على مجموعات بيانات فردية.
في الختام، يصنف نموذج ECNN بفعالية ضوابط ASD من الأفراد الأصحاء، متفوقًا على نماذج CNN الحالية. إن دمج مصنفات تعلم الآلة مع الميزات المستخرجة بواسطة ECNN يعزز بشكل كبير دقة التصنيف. ومع ذلك، تعترف الدراسة بوجود قيودين: تركز فقط على صور fMRI وتستخدم فقط مجموعة بيانات ABIDE-I، مما يشير إلى إمكانية التوسع في المستقبل لتضمين بيانات التصوير بالرنين المغناطيسي الهيكلي (sMRI) ومجموعة بيانات ABIDE-II، بالإضافة إلى تطبيق الإطار على التصوير ثلاثي الأبعاد.
مقدمة
تناقش مقدمة ورقة البحث اضطراب طيف التوحد (ASD)، وهو اضطراب في النمو العصبي يتميز بالتحديات في التواصل الاجتماعي والتفاعل والسلوك، ويتم تشخيصه بشكل أساسي باستخدام أدوات مثل جدول ملاحظات تشخيص التوحد (ADOS) وأدوات التصميم المدعومة بالكمبيوتر (CAD) المختلفة. بينما يظل ADOS هو المعيار الذهبي، اكتسبت أدوات CAD زخمًا على مدار العقدين الماضيين، مستفيدة من الذكاء الاصطناعي والتصوير الطبي لتعزيز الكشف المبكر عن المرض والعلاج. لقد زادت نسبة انتشار ASD بشكل ملحوظ، حيث يتأثر حوالي 1 من كل 30 طفلًا في الولايات المتحدة، مع حدوث أعلى بكثير في الأولاد مقارنة بالفتيات.
تسلط الورقة الضوء على دور طرق التصوير المختلفة، بما في ذلك التصوير بالرنين المغناطيسي الهيكلي (sMRI) والتصوير بالرنين المغناطيسي الوظيفي (fMRI)، في تشخيص ASD. يتم تقدير sMRI بشكل خاص من حيث فعاليته من حيث التكلفة وقدرته على تحديد الميزات الشكلية للدماغ دون إشعاع مؤين. على الرغم من التقدم في خوارزميات تعلم الآلة (ML) والتعلم العميق (DL) لتصنيف ASD، لا تزال هناك تحديات في تحليل بيانات التصوير العصبي المعقدة بدقة، خاصة عبر مجموعات بيانات متعددة المواقع مع معايير تصوير متباينة. تهدف الدراسة المقترحة إلى تطوير شبكة عصبية تلافيفية محسّنة (ECNN) متكاملة مع مصنفات ML التقليدية لتحسين دقة تصنيف ASD، باستخدام مجموعة بيانات ABIDE-I المتاحة للجمهور للتقييم الشامل. تم تحديد هيكل الورقة، مشيرًا إلى مسح أدبي، والأساليب المقترحة، والنتائج، والاستنتاجات في الأقسام اللاحقة.
النتائج
في هذه الدراسة، تم تطوير إطار عمل شبكة عصبية تلافيفية محسّنة (ECNN) وتقييمه لتصنيف الصور الطبية، باستخدام مجموعة بيانات ABIDE-I، التي تتكون من بيانات من 17 مختبرًا دوليًا. تم تقسيم مجموعة البيانات إلى مجموعات تدريب (80%) واختبار (20%)، مع تقسيم بيانات التدريب بشكل أكبر للتحقق. استخدم نموذج ECNN معدل تعلم ثابت قدره 0.002، وحجم دفعة قدره 16، ومعالجة مصفوفات الإدخال بحجم 392×392، باستخدام 300 فلتر بعرض ديناميكي. أظهر النموذج أداءً متفوقًا، حيث حقق دقة تبلغ 72.44% على مجموعة بيانات ABIDE-I بالكامل و98.61% على مجموعة بيانات معهد كينيدي كريجر (KKI)، كما هو موضح في الجداول III و IV.
تشير النتائج إلى أن ECNN تفوق على الخوارزميات الحالية، مثل Inception-V3 و ResNet-50، من حيث الدقة والحساسية والخصوصية. ومن الجدير بالذكر أن مصنف SVM المدمج مع ميزات ECNN حقق أعلى دقة قدرها 92.45% لمجموعة بيانات ABIDE-1. تم استخدام نهج تحقق متقاطع صارم من 10 طيات لتعزيز قابلية تعميم النموذج وتقليل الإفراط في التكيف، مما يضمن تحققًا قويًا من النموذج التنبؤي عبر جميع 1,112 موضوعًا. تؤكد النتائج فعالية إطار العمل المقترح في تصنيف ضوابط اضطراب طيف التوحد (ASD) من الضوابط الصحية، خاصة في مجموعات البيانات الكبيرة مثل ABIDE و NDAR.
المناقشة
في قسم المناقشة، يؤكد المؤلفون على الدور الحاسم لمعالجة البيانات في تصنيف اضطراب طيف التوحد (ASD) باستخدام التصوير بالرنين المغناطيسي (MRI). تشمل عملية المعالجة المسبقة عدة خطوات أساسية: إزالة الجمجمة لإزالة الأنسجة غير الدماغية، وتصحيح توقيت الشرائح لمحاذاة الشرائح زمنيًا، وتصحيح الحركة لمعالجة حركة الموضوع، وتصحيح التشوه لتصحيح الأخطاء الهندسية، والتسجيل لمحاذاة الصور الوظيفية مع الصور الهيكلية عالية الدقة، والتطبيع لتوحيد صور الدماغ عبر الموضوعات، والتنعيم المكاني لتقليل الضوضاء، والترشيح الزمني لعزل الإشارات العصبية ذات الصلة. تم تصميم كل خطوة لتعزيز جودة البيانات، مما يسهل استخراج الميزات بدقة وتصنيف حالات ASD مقارنة بالضوابط النامية بشكل طبيعي.
بالإضافة إلى ذلك، يقدم المؤلفون هيكل شبكة عصبية تلافيفية محسّنة (ECNN) المقترحة، والتي تستخدم التعلم الانتقالي من النماذج المدربة مسبقًا مثل DenseNet-169 و MobileNet-V3. يتم اختبار نموذج ECNN على مجموعة بيانات ABIDE-1، التي تتكون من 539 ضابط ASD و579 ضابط صحي، مما يظهر أداءً متفوقًا في مهام التصنيف. يتضمن الهيكل طبقات مختلفة، بما في ذلك طبقات التلافيف، والتجميع، والإسقاط، وطبقات تطبيع الدفعات، لتقليل الإفراط في التكيف وتحسين الدقة. تختتم الدراسة بأن الجمع بين نموذج ECNN وخوارزميات تعلم الآلة يعزز بشكل كبير دقة التصنيف، على الرغم من أنها تعترف بالقيود المتعلقة بالاستخدام الحصري لبيانات fMRI ومجموعة بيانات ABIDE-1، مما يشير إلى إمكانية التوسع في المستقبل لتضمين sMRI ومجموعة بيانات ABIDE-II.
DOI: https://doi.org/10.14569/ijacsa.2026.0170257
Publication Date: 2026-01-01
Author(s): P. Yugander et al.
Primary Topic: Autism Spectrum Disorder Research
Overview
The research paper presents a novel machine learning framework aimed at classifying Autism Spectrum Disorder (ASD) from healthy controls using functional Magnetic Resonance Imaging (fMRI) data. Traditional diagnostic methods for ASD, which rely heavily on behavioral observations and clinical interviews, are supplemented by this framework that employs an enhanced Convolutional Neural Network (ECNN) for feature extraction followed by machine learning classifiers for classification. The study utilizes a dataset comprising 1112 fMRI images, including 539 from ASD participants and 573 from healthy controls, sourced from 17 datasets available on the ABIDE website. The proposed framework demonstrates superior performance, achieving an accuracy of 92.45% across the entire ABIDE dataset and 98.61% on individual datasets.
In conclusion, the ECNN model effectively classifies ASD controls from healthy individuals, outperforming existing CNN models. The integration of machine learning classifiers with features extracted by the ECNN significantly enhances classification accuracy. However, the study acknowledges two limitations: it focuses solely on fMRI images and utilizes only the ABIDE-I dataset, suggesting potential future expansions to include structural MRI (sMRI) data and the ABIDE-II dataset, as well as the application of the framework to 3D imaging.
Introduction
The introduction of the research paper discusses Autism Spectrum Disorder (ASD), a neurodevelopmental disorder characterized by challenges in social communication, interaction, and behavior, primarily diagnosed using tools such as the Autism Diagnostic Observation Schedule (ADOS) and various computer-aided design (CAD) tools. While ADOS remains the gold standard, CAD tools have gained traction over the past two decades, leveraging artificial intelligence and biomedical imaging to enhance early disease detection and treatment. The prevalence of ASD has notably increased, with approximately 1 in 30 children affected in the USA, and a significantly higher incidence in boys compared to girls.
The paper highlights the role of various imaging modalities, including structural MRI (sMRI) and functional MRI (fMRI), in diagnosing ASD. sMRI is particularly valued for its cost-effectiveness and ability to identify brain morphological features without ionizing radiation. Despite advancements in machine learning (ML) and deep learning (DL) algorithms for ASD classification, challenges remain in accurately analyzing complex neuroimaging data, especially across multisite datasets with varying imaging standards. The proposed study aims to develop an enhanced convolutional neural network (ECNN) integrated with traditional ML classifiers to improve ASD classification accuracy, utilizing the publicly available ABIDE-I dataset for comprehensive evaluation. The structure of the paper is outlined, indicating a literature survey, proposed methods, results, and conclusions in subsequent sections.
Results
In this study, an enhanced Convolutional Neural Network (ECNN) framework was developed and evaluated for biomedical image classification, specifically using the ABIDE-I dataset, which comprises data from 17 international laboratories. The dataset was split into training (80%) and testing (20%) subsets, with the training data further divided for validation. The ECNN model utilized a fixed learning rate of 0.002, a batch size of 16, and processed input matrices of size 392×392, employing 300 dynamic-width filters. The model demonstrated superior performance, achieving an accuracy of 72.44% on the entire ABIDE-I dataset and 98.61% on the Kennedy Krieger Institute (KKI) dataset, as detailed in Tables III and IV.
The results indicate that the ECNN outperformed existing algorithms, such as Inception-V3 and ResNet-50, in terms of accuracy, sensitivity, and specificity. Notably, the SVM classifier combined with ECNN features yielded the highest accuracy of 92.45% for the ABIDE-1 dataset. A rigorous 10-fold cross-validation approach was employed to enhance model generalizability and mitigate overfitting, ensuring robust validation of the predictive model across all 1,112 subjects. The findings underscore the efficacy of the proposed ML framework in classifying autism spectrum disorder (ASD) controls from healthy controls, particularly in large datasets like ABIDE and NDAR.
Discussion
In the discussion section, the authors emphasize the critical role of data preprocessing in the classification of Autism Spectrum Disorder (ASD) using Magnetic Resonance Imaging (MRI). The preprocessing pipeline includes several essential steps: skull stripping to remove non-brain tissues, slice-timing correction to align slices temporally, motion correction to address subject movement, distortion correction to rectify geometric inaccuracies, registration to align functional images with high-resolution structural images, normalization to standardize brain images across subjects, spatial smoothing to reduce noise, and temporal filtering to isolate relevant neural signals. Each step is designed to enhance the quality of the data, facilitating accurate feature extraction and classification of ASD cases compared to typically developing controls.
Additionally, the authors introduce a proposed Enhanced Convolutional Neural Network (ECNN) architecture, which utilizes transfer learning from pre-trained models such as DenseNet-169 and MobileNet-V3. The ECNN model is tested on the ABIDE-1 dataset, comprising 539 ASD controls and 579 healthy controls, demonstrating superior performance in classification tasks. The architecture incorporates various layers, including convolutional, pooling, dropout, and batch normalization layers, to mitigate overfitting and improve accuracy. The study concludes that the combination of the ECNN model with machine learning algorithms significantly enhances classification accuracy, although it acknowledges limitations related to the exclusive use of fMRI data and the ABIDE-1 dataset, suggesting potential future expansions to include sMRI and the ABIDE-II dataset.