تاريخ الاستلام: 29 أغسطس 2023 / تاريخ القبول: 31 ديسمبر 2023 / تاريخ النشر على الإنترنت: 22 يناير 2024
© المؤلف(ون) 2024

الكلمات الرئيسية ASD تصنيف متعدد زيادة البيانات

ASD هو مرض عصبي تطوري يحدث في مرحلة الطفولة المبكرة ويتميز باضطرابات في التواصل وصعوبات في التفاعل الاجتماعي لدى الأطفال [1،2]. هناك

لقد كان هناك زيادة في حدوث اضطراب طيف التوحد على مر السنين، وبينما كان واحد من كل 150 طفلاً في أمريكا مصابًا بالتوحد في عام 2000، يُبلغ أنه واحد من كل 54 طفلاً لديه توحد في عام 2020.

على الرغم من وجود مجموعة واسعة من علامات اضطراب طيف التوحد [5]، فإن إحدى التعقيدات التي تطيل عملية التشخيص هي المعدل المرتفع للاصطفاف المرضي المشترك. تعني مشكلة الاصطفاف المرضي المشترك لدى الأطفال المصابين باضطراب طيف التوحد وجود إعاقة إضافية مثل مشكلة في الرؤية أو مشكلة صحية أخرى [6]. أظهرت دراسة أن من الأطفال الذين تم تشخيصهم بالتوحد كان لديهم على الأقل واحد من الاضطرابات النمائية العصبية مثل اضطراب نقص الانتباه مع فرط النشاط (ADHD) والإعاقة الذهنية واضطراب التنسيق التطوري [7]. إن معدل حدوث التوحد أعلى في الأولاد مقارنة بالفتيات [8]. على الرغم من أن السبب وراء ذلك غير واضح، إلا أن هناك فرضيات مثل دماغ الذكور المتطرف، الإناث

يتم دراسة التأثير الوقائي، ونمط التوحد لدى الإناث [9]. إن عدم وجود علاج معروف للتوحد، وطول عملية التشخيص والعلاج [10]، ودرجة الترافق العالية جميعها تشير إلى أن هناك حاجة لمزيد من العمل العلمي حول التوحد [11]. هناك حاجة ملحة لدراسة تأثير عوامل العمر والجنس على تشخيص اضطراب طيف التوحد، وتقييم إمكانية أن تساهم التصنيفات المتعددة، بما في ذلك العمر والجنس، في التشخيص المبكر السريع لاضطراب طيف التوحد. تظهر الأعمال الجينية الحديثة أن اضطراب طيف التوحد يحدث بشكل مختلف بين الذكور والإناث وبين الشباب والبالغين [12]. توفر تقنيات الذكاء الاصطناعي وتعلم الآلة (ML) [13، 14] مثل التعلم العميق (DL) فرصًا جديدة لاكتشاف العلامات البيولوجية لتشخيص اضطراب طيف التوحد مع الأخذ في الاعتبار عوامل مثل العمر والجنس التي تؤثر على اضطراب طيف التوحد، لتقصير عملية التشخيص، لتجنب الآراء الذاتية للأطباء المختلفين وربما الوصول إلى تشخيص نهائي [15-17].

لقد وجدت تقنيات التعلم العميق تطبيقات واسعة في المجالات الطبية والعصبية مثل اكتشاف النوبات [18]، توقع النوبات [19-21]، تشخيص وتصنيف الصرع [22، 23]، التوحد [24-27]، تحسين الرؤية العصبية الاصطناعية [28]، إعادة التأهيل بعد السكتة الدماغية باستخدام تخيل الحركة [29]، تحليل المشاعر [30]، التعرف على العواطف [31، 32]، ضمان الجودة المحدد للمرضى [33]، تصنيف تخطيط الدماغ الكهربائي داخل الجمجمة [34]، واجهة الدماغ-الكمبيوتر (BCI) لتمييز تخطيط حركة اليد [35]، اكتشاف علامات الديسلكسيا [36-38]، والعديد من المجالات الأخرى مثل الروبوتات المتنقلة [39]، الإنقاذ والمراقبة بالمركبات الطائرة بدون طيار [40]، ومراقبة الصحة الهيكلية في السنوات الأخيرة [41-43].

تصميم وفعالية طريقة التعلم العميق لتشخيص اضطراب طيف التوحد تختلف وفقًا لمجموعة البيانات. يمكن أن تكون مجموعة البيانات رقمية أو رسومية ثنائية الأبعاد، أو بيانات بصرية. يمكن أن تكون البيانات العددية سلوكية [44، 45]، أو تتبع العين [46]، أو بيانات بصمات الأصابع [47-49]، التي تم تحويلها إلى بيانات عددية من خلال المعالجة المسبقة. البيانات البصرية هي صور مسح الرنين المغناطيسي الهيكلي للدماغ (sMRI) أو صور مسح الرنين المغناطيسي الوظيفي للدماغ (fMRI). من الممكن عادةً استخدام البيانات العددية أو البصرية لتدريب خوارزمية تعلم الآلة لتشخيص اضطراب طيف التوحد من خلال تحديد الميزات المميزة أو استخدام تقنية استخراج الميزات التلقائية [50-52]. قد تكون هذه الميزات قيم المادة الرمادية الهيكلية (GM) المكتسبة من سمك القشرة (CT) [53-55]، قيم كثافة المادة الرمادية (GMd) من المورفومترية المعتمدة على الفوكسل (VBM) [56]، التصوير بالرنين المغناطيسي الموزون بالانتشار (DWI) [الأنيسوتروبية الكسرية (FA)] في المادة البيضاء (WM) والتغيرات الميكروبية [57]، مصفوفات الاتصال [58]، معلمات من تحليل الشبكات [59-61]، ومعلومات fMRI في حالة الراحة/الحالة الوظيفية [62، 63]. ومع ذلك، إذا تم استخدام نوع من التعلم العميق المعروف باسم الشبكة العصبية التلافيفية (CNN)، يتم إجراء التصنيف المباشر لأن استخراج الميزات يتم تلقائيًا. يُعرف هذا بالتعلم العميق من النهاية إلى النهاية [64]. لهذا السبب، فإن طريقة CNN هي
تم استخدامه في هذا البحث كأفضل طريقة للتشخيص السريع لاضطراب طيف التوحد.

في الدراسة، تم فحص تأثير نطاق عمري معين والجنس على تشخيص اضطراب طيف التوحد (ASD) من خلال إجراء تصنيفات متعددة لـ ASD بناءً على العمر والجنس. تم تقديم نظام تعلم عميق (DL) يمكنه تشخيص ASD لنطاقات عمرية معينة وجنس معين. يمكن سرد مزايا واختلافات البحث الحالي مقارنةً بالأبحاث المبلغ عنها سابقًا حول تشخيص ASD، التصنيف الثنائي، و/أو أعمال التصنيف المتعدد كما يلي. أولاً، تم إجراء تصنيفات متعددة، بما في ذلك العمر والجنس، في هذه الدراسة، وإلى أفضل معرفة المؤلفين، لم يتم القيام بذلك من قبل. ثانيًا، مقارنةً بأعمال أخرى تستخدم طريقة تحليل البيانات (DA)، فإن عدد بيانات الصور في هذه الدراسة كبير ومكتسب من مناطق دماغية مختلفة. هذا مفيد من حيث قابلية تعميم النماذج. ثالثًا، تم تصميم شبكة عصبية تلافيفية (CNN) من الصفر واستخدامها كعنصر في هذا النظام. وبالتالي، يتم استخراج الميزات تلقائيًا. رابعًا، باستخدام طريقة التعلم بالنقل (TL)، تم تدريب واختبار النماذج المدربة مسبقًا الشائعة اليوم باستخدام نفس مجموعة البيانات.

الأقسام التالية منظمة على النحو التالي. في القسم التالي، يتم مناقشة الأعمال المتعلقة بتصنيف اضطراب طيف التوحد باستخدام صور الرنين المغناطيسي للدماغ، والتي أخذت أيضًا في الاعتبار عوامل أخرى مثل العمر والجنس. يشرح القسم الثالث التقنيات والمواد المستخدمة في الدراسة. في القسم الرابع، يتم تقديم المقاييس المستخدمة لتقييم أداء الدراسة. يقدم القسم الخامس النتائج التجريبية العددية التي تم الحصول عليها من الدراسة. تنتهي الورقة بمناقشات واستنتاج.

على الرغم من أن التصنيفات المتعددة توفر معلومات أكثر لتشخيص اضطراب طيف التوحد باستخدام مسح الرنين المغناطيسي للدماغ، إلا أن الباحثين لم يدرسوا هذه التصنيفات بسبب تعقيدها وصعوبة تحقيق معدلات دقة عالية. ونتيجة لذلك، لم يتمكن المؤلفون من العثور على نموذج CNN مدرب باستخدام صور الرنين المغناطيسي للدماغ يمكنه إجراء تصنيف رباعي وثماني، بما في ذلك عوامل الجنس والعمر، لتشخيص اضطراب طيف التوحد. لذلك، في هذه الدراسة، تم إجراء تصنيفات متعددة من خلال أزواج ثنائية مثل F-ASD وF-TD، M-ASD وM-TD (حيث تمثل F الأنثى، وM تمثل الذكر، وTD تمثل التطور الطبيعي) باستخدام صور الرنين المغناطيسي للدماغ. تم إجراء التصنيف الرباعي باستخدام الجنس فقط، وتصنيف رباعي آخر باستخدام نطاق العمر فقط، والتصنيف الثماني باستخدام كل من عوامل الجنس والعمر.

في دراسة تصنيف ثنائي متعدد حول اضطراب طيف التوحد (ASD) أجراها [12]، أنشأوا مجموعات منفصلة مثل ‘المراهقين-إناث (< 18 سنة)’ – ‘المراهقين-ذكور(< 18 سنة)’ و ‘البالغين-إناث(> 18 سنة)’ – ‘البالغين-ذكور(> 18 سنة)’ [12]. قاموا بالتحقيق في أي مجموعة يمكن تشخيصها باضطراب طيف التوحد بدقة أعلى من خلال إجراء تصنيفات ثنائية منفصلة.
تصنيفات باستخدام طريقة مصنف الشبكة العصبية القائم على الأساس المتوسع (EMcRBFN)، الذي تم تدريبه واختباره باستخدام بيانات التصوير بالرنين المغناطيسي الهيكلي (sMRI). وجدوا أن اضطراب طيف التوحد يمكن اكتشافه بدقة أكبر لدى النساء (81%) مقارنة بالرجال (60%). في [65]، تم التحقيق في تأثير عوامل الجنس على تشخيص اضطراب طيف التوحد في تصنيفات ثنائية متعددة. في دراستهم باستخدام طريقة آلة الدعم الناقل (SVM)، حصلوا على معدل دقة توقع يبلغ 69% لمجموعة ASD-F (الإناث) و لمجموعة ASD-M (الذكور). ومع ذلك، كانت مجموعة البيانات محدودة لفئة العمر 18-49 [65]. في [66]، تم استخدام التعلم العميق المدرب باستخدام مسح fMRI للدماغ وأجرى تصنيف ثنائي لاضطراب طيف التوحد مع الإبلاغ عن الدقة [66]. في دراسة أخرى تتعلق بعامل العمر، تمكنوا من تشخيص اضطراب طيف التوحد في مجموعة الأطفال البالغين من العمر عامين بمعدل دقة استخدام “شبكة الأعصاب التلافيفية متعددة القنوات” (MC-CNN) [67]. في [68]، قاموا بإجراء تصنيف ثنائي لاضطراب طيف التوحد (ASD) وأبلغوا عن معدل دقة قدره 65.69% باستخدام نموذج شبكة الاعتقاد العميق (DBN) [68]. في [69]، قاموا بتشخيص اضطراب طيف التوحد باستخدام الدقة في التصنيف الثنائي باستخدام خوارزمية التعلم العميق المدربة على صور الرنين المغناطيسي للدماغ للمشاركين الذين كان متوسط أعمارهم 15 عامًا [69].

تم استخدام قاعدة بيانات ABIDE، وهي قاعدة بيانات مهنية دولية تم إتاحتها في 27 مارس 2017، لتدريب واختبار النماذج في الدراسة [70]. يمكن الحصول على معلومات مفصلة حول ABIDE من http://fcon_1000.projects.nitrc.org/indi/abide/. تتكون البيانات في قاعدة بيانات ABIDE من بيانات تم جمعها من 29 موقعًا مختلفًا كما هو موضح في الجدول 1. تمثل تسلسل T1 الموزون وsMRI لـ 2248 مشاركًا، 1072 منهم مصابون باضطراب طيف التوحد و1176 طبيعيين تم جمعهم من 29 موقعًا من ABIDE، المستودع الأول للدراسة المسمى Data1. تم فحص جميع الصور في المستودع من حيث الوضوح واحدة تلو الأخرى. بعد فحص الوضوح، تم استخدام مجموع 1831 صورة بيانات، 938 منها لأشخاص مصابين باضطراب طيف التوحد و893 طبيعيين، كـ Data1 في هذه الدراسة. لم يتم إجراء أي تلوين أو أي تطبيق يؤثر على التمييز على أي من بيانات الصور. بالنسبة للنماذج الثلاثة متعددة التصنيف من CNN المستخدمة في الدراسة، تم توزيع البيانات على جميع النماذج الثلاثة، كما هو موضح في الجدول 2، قبل المعالجة المسبقة.

تمت معالجة البيانات الخام من خلال ثلاث خطوات مسبقة. في الخطوة الأولى من المعالجة المسبقة، تم استبعاد الصور غير الواضحة. الشكل 1 يوضح أمثلة على الصور الغامضة.

في خطوة المعالجة المسبقة الثانية، خضعت بيانات كل صورة لخوارزمية كشف الحواف كاني (CED). الصورة الجديدة التي تم الحصول عليها بعد CED

يتم اقتصاص المعالجة من الحواف المحددة، ويتم تقليل المساحة المفقودة. يصف الشكل 2 الخطوة الثانية من معالجة البيانات المسبقة، بما في ذلك معالجة CED.

في الخطوة الثالثة من المعالجة المسبقة، تم إخضاع كل صورة لتقنية DA من خلال قلبها من اليمين إلى اليسار، دوران إلى اليمين، الدوران إلى اليمين، و5% من التمليح، مما يزيد حجم مجموعة البيانات خمسة أضعاف. الشكل 3 يوضح تطبيق تقنية التحسين المخطط لها على صورة عينة واحدة فقط.

تم تصميم ثلاثة نماذج تعلم عميق كجزء من النظام الذي تم تطويره في هذه الدراسة. تم استخدام خوارزمية GSO لكل نموذج لتحديد الأكثر مثالية.

الهايبر بارامترات بين القيم الحدية المحددة في الجدول 3 [71]. بعد معالجة مجموعة البيانات، تم اختبار كل نموذج مع اختيار عشوائي من البيانات الجاهزة للاستخدام. من الأعلى إلى الأسفل، الصفوف الخمسة الأولى من المعلمات الفائقة في الجدول 3 تتعلق بهندسة نماذج الشبكات العصبية التلافيفية، والصفوف الخمسة التالية تتعلق بضبط كل هندسة. في الشكل 4، يتم وصف النظام المصمم في الدراسة بشكل تخطيطي.

عملية الالتفاف هي معالجة الحصول على مصفوفة الناتج نتيجة التصفية مصفوفة الصورة تدخل نموذج CNN مع مصفوفة الفلتر، كما هو موضح في المعادلة (1). مصفوفة الناتج الناتجة أصغر من مصفوفة الإدخال أثناء عملية التصفية، مصفوفة الفلتر يمكن نقل المصفوفة A بمقدار خطوة النقل (الخطوة). في بعض الاستراتيجيات، قد يكون من المرغوب فيه تغيير حجم المصفوفة الناتجة لتكون بنفس حجم المصفوفة A. في هذه الحالة، يمكن جعلها بنفس الحجم كما هو مصفوفة عن طريق ملء الأجزاء الفارغة من مصفوفة بالصفر. تُسمى هذه المعالجة
padding. بالإضافة إلى ذلك، قبل عملية الالتفاف، يتم تنفيذ التجميع، وهو عملية فرعية من عملية الالتفاف، لتقليل الإفراط في التكيف. في معالجة التجميع، يتم تصفية مصفوفة الإدخال لطبقة التجميع بواسطة مصفوفة الفلتر المختارة على مبدأ القيم المتوسطة أو القصوى [72]. باستخدام المعادلة 2، يتم الحصول على حجم مصفوفة الإخراج كنتيجة للتصفية المستخدمة في كل من عمليات التجميع والالتفاف [72].

يتم حساب خسارة الانتروبيا المتقاطعة خلال عملية التصنيف. وظيفة سوفتماكس هي الطبقة التي تسبق طبقة التصنيف. يتم إجراء التصنيف المتعدد بشكل احتمالي في طبقة سوفتماكس. يتم التعبير عن وظيفة سوفتماكس للتصنيفات المتعددة كما يلي [73].

في المعادلة (3)؛ ، و هو الاحتمال الشرطي المعطى عينة الفئة [73].

تم إجراء ثلاث تصنيفات متعددة باستخدام النظام المصمم في نطاق هذه الدراسة. أولاً، تم معالجة بيانات صور الرنين المغناطيسي الوظيفي للدماغ المكتسبة. بعد المعالجة المسبقة، تم تقسيم البيانات إلى ثلاث مجموعات بيانات منفصلة، مع الأخذ في الاعتبار العمر والجنس وكلاهما. تم استخدام خوارزمية تحسين البحث الشبكي (GSO) لتصميم نماذج الشبكة العصبية التلافيفية (CNN) التي سيتم تدريبها باستخدام هذه المجموعات الثلاثة المنفصلة من البداية لتحقيق أفضل المعلمات الفائقة وأعلى معدل دقة. يتم توضيح مخطط تدفق النظام المصمم في الشكل 5.

في الدراسة، تم اختيار أبعاد مصفوفة بيانات الإدخال كـ بغض النظر عن أي معيار. أحجام صور الإدخال غير مدرجة في خوارزمية GSO. استخدمت الدراسة أسماء نماذج CNN النموذج 1، النموذج 2، والنموذج 3 للبيانات 1، البيانات 2، والبيانات 3، على التوالي. يوضح الجدول 4 المعلمات الفائقة التي تم تحديدها بسبب GSO لكل نموذج وهياكل نماذج CNN التي تم تصميمها بهذا الشكل. يوضح الشكل 6 المخطط المعماري الذي يتم فيه استخدام النموذج 3 في النظام المطور.

باستخدام دالة الخسارة الموضحة في المعادلة (4)، يستمر تدريب الشبكة طوال عملية تدريب الشبكة حتى تصل قيم الخسارة المحسوبة لكل تكرار إلى أدنى قيمة لها.

في المعادلة (4)، لدينا N عينة ممثلة بـ حيث ينتمي كل عينة I إلى واحدة من K فئات، والإخراج المقابل مخصص للعينة من الصف [73]. المعادلة (5) توضح معدل الدقة كمعيار أداء آخر [73].

في هذه الدراسة، تم تطوير نظام يمكن أن يساهم في التشخيص التلقائي لاضطراب طيف التوحد. تم تصميم نماذج الشبكات العصبية التلافيفية (CNN) كجزء من هذا النظام لتكون لديها المعلمات الأكثر مثالية من خلال خوارزمية GSO. داخل هذا النظام، تم تصميم ثلاثة نماذج CNN، وتم إجراء تصنيفات متعددة لرؤية دور عوامل الجنس والعمر.

في تشخيص اضطراب طيف التوحد. تم تسليط الضوء على الجنس مع النموذج 1، والعمر مع النموذج 2، وكلاهما مع النموذج 3. بالإضافة إلى ذلك، تم مقارنة النظام المطور بأربعة شبكات مدربة مسبقًا باستخدام التعلم الانتقالي. تم تقديم دقة و منحنيات الخسارة التي تم الحصول عليها لجميع النماذج الثلاثة المستخدمة في النظام المصمم في الشكل 7، ومصفوفات الالتباس في الشكل 8، ومقارنة النتائج مع الشبكات المدربة مسبقًا في الجدول 5. وفقًا للنتائج المعطاة في الجدول 5، فإن معدل الدقة الذي تم الحصول عليه في التصنيف الرباعي الذي تم إجراؤه باستخدام النموذج 1، الذي يسلط الضوء على

عامل الجنس، هو وهو أعلى من جميع النماذج المدربة مسبقًا المصممة لنفس الغرض. يُلاحظ أن معدل الدقة تم تحقيقه في التصنيف الرباعي الذي تم إجراؤه باستخدام النموذج 2، والذي يبرز عامل العمر. يتضح أن معدلات الدقة التي تم الحصول عليها باستخدام النماذج المدربة مسبقًا المصممة لنفس الغرض أعلى من جميعها. هذه النتيجة تدفعنا للاعتقاد بأن عامل العمر له تأثير أكبر على تشخيص اضطراب طيف التوحد مقارنة بعامل الجنس. معدل دقة قدره تم تحقيق ذلك باستخدام نموذج التصنيف الثماني السطوح الذي تم إنشاؤه باستخدام النموذج 3، والذي يأخذ في الاعتبار عوامل العمر والجنس. على الرغم من أنه يبدو أنه أقل نجاحًا.

معالجة البيانات المسبقة

من نموذج 1 ونموذج 2، هذه النتيجة مرتفعة جدًا بالنسبة للتصنيف الثماني. عند مقارنتها بنماذج التصنيف الثماني المدربة مسبقًا الأخرى المنفذة
للنفس الغرض، يُلاحظ أن أعلى نتيجة تم الحصول عليها هي مع النموذج 3. يمكن إجراء تعليقات مماثلة من خلال فحص القيم المفقودة. مع هذا النظام المصمم

في تصنيف وتشخيص اضطراب طيف التوحد، يتضح أن تأثير عوامل الجنس والعمر يظهر في التصنيف المتعدد. أظهرت النتائج أن جميع الشبكات الثلاثة تفوقت على النماذج المدربة مسبقًا. في تشخيص اضطراب طيف التوحد، يبدو أن تأثير عامل العمر أكبر من تأثير عامل الجنس. مع هذا النظام المصمم لتصنيف وتشخيص اضطراب طيف التوحد، يتضح أن تأثير عامل الجنس والعمر في التصنيف المتعدد قد تم الكشف عنه.

جميع الدراسات حول التشخيص التلقائي لاضطراب طيف التوحد باستخدام الذكاء الاصطناعي هي دراسات تصنيف ثنائية. لا يمكن العثور على دراسة تصنيف ثمانية تأخذ في الاعتبار عوامل العمر والجنس في الأدبيات. في هذه الدراسة، تم تصميم نظام تعلم عميق يختلف عن ما تم القيام به حتى الآن ويعتبر الأول، حسب علمنا، حيث يقوم بإجراء تصنيفات رباعية وثمانية من خلال أخذ عوامل العمر والجنس في الاعتبار ويستخدم صور الدماغ بتقنية الرنين المغناطيسي الوظيفي. في هذه الدراسة، تم تصميم نظام تقدير وتصنيف.
الذي، بقدر ما نعلم، يختلف عما تم القيام به حتى الآن، والذي يُعتبر الأول من نوعه، يأخذ في الاعتبار عوامل العمر والجنس ويستخدم صور الدماغ بتقنية التصوير بالرنين المغناطيسي الهيكلي. تم توفير نجاح وموثوقية النظام المصمم من خلال مقارنته بشبكات Alexnet وGooglenet وResnet-18 وSqueezenet الشهيرة المدربة مسبقًا. النموذج الذي تم تطويره في هذا البحث يقدم أداءً أفضل من هذه النماذج المدربة مسبقًا. بالإضافة إلى ذلك، يتمتع النظام المصمم بميزة القابلية للتعميم حيث تم الحصول على مجموعة البيانات من قاعدة بيانات ABIDE التي تم إنشاؤها من 29 موقعًا مختلفًا، وتم توسيع مجموعة البيانات خمس مرات باستخدام تقنيات زيادة البيانات. نتيجة لذلك، تُظهر معدلات الدقة التي تم الحصول عليها نتيجة للاختبار الذي تم إجراؤه مع جميع نماذج CNN الثلاثة المصممة للاستخدام ضمن النظام أن النظام المصمم لديه ديناميكيات قوية تكفي لتحقيق أعلى معدلات دقة.

في المستقبل، يتم التخطيط لتطبيقات أكثر نجاحًا من خلال إضافة خوارزميات متقدمة (ML) مثل الشبكة العصبية الاحتمالية المحسّنة (EPNN) [74] وخوارزمية التصنيف الديناميكي العصبي (NDC) [75] إلى نظام يفحص عوامل العمر والجنس.

مساهمات المؤلفين قاد H.A. الاتجاه العام للبحث، وشارك في تطوير الخوارزميات وكتابة المقال. نفذ H.N. الخوارزميات، وحصل على النتائج، وأعد المسودة الأولى من الورقة.

التمويل لا شيء.

توفر البيانات تم استخدام قاعدة بيانات ABIDE، وهي قاعدة بيانات متاحة للجمهور في هذا البحث.

الموافقة الأخلاقية غير قابلة للتطبيق.
المصالح المتنافسة يعلن المؤلفون عدم وجود مصالح متنافسة.

الوصول المفتوح هذه المقالة مرخصة بموجب رخصة المشاع الإبداعي للاستخدام والمشاركة والتكيف والتوزيع وإعادة الإنتاج في أي وسيلة أو صيغة، طالما أنك تعطي الائتمان المناسب للمؤلفين الأصليين والمصدر، وتوفر رابطًا لرخصة المشاع الإبداعي، وتوضح ما إذا كانت هناك تغييرات قد تم إجراؤها. الصور أو المواد الأخرى من طرف ثالث في هذه المقالة مشمولة في رخصة المشاع الإبداعي للمقالة، ما لم يُذكر خلاف ذلك في سطر ائتمان للمادة. إذا لم تكن المادة مشمولة في رخصة المشاع الإبداعي للمقالة واستخدامك المقصود غير مسموح به بموجب اللوائح القانونية أو يتجاوز الاستخدام المسموح به، ستحتاج إلى الحصول على إذن مباشرة من صاحب حقوق الطبع والنشر. لعرض نسخة من هذه الرخصة، قم بزيارة http://creativecommons.org/licenses/by/4.0/.

Developmental Disorders 45(5):1121-1136. https://doi.org/10. 1007/s10803-014-2268-6
25. Ardakani HA, Taghizadeh M, and Shayegh F (2022) Diagnosis of Autism Disorder Based on Deep Network Trained by Augmented EEG Signals. International journal of neural systems 2250046.
26. Li S, Tang Z, Jin N, Yang Q, Liu G, Liu T, Hu J, Liu S, Wang P, Hao J, Zhang Z, Zhang X, Li J, Wang X, Li Z, Wang Y, Yang B, and Ma L (2022) Uncovering Brain Differences in Preschoolers and Young Adolescents with Autism Spectrum Disorder Using Deep Learning International journal of neural systems 2250044.
27. Rahman MM, Usman OL, Muniyandi RC, Sahran S, Mohamed S, & Razak RA (2020) A Review of Machine Learning Methods of Feature Selection and Classification for Autism Spectrum Disorder. Brain Sciences 10
28. Küçükoglu B, Rueckauer B, Ahmad N, de Ruyter van Steveninck J, Güçlü U, & van Gerven MA (2022) Optimization of Neuroprosthetic Vision via End-to-end Deep Reinforcement Learning. bioRxiv 32(11): 2250052 (16 pages)
29. Xu F, Dong G, Li J, Yang Q, Wang L, Zhao Y, Yan Y, Zhao J, Pang S, Guo D, Zhang Y, & Leng J (2022) Deep Convolution Generative Adversarial Network-Based Electroencephalogram Data Augmentation for Post-Stroke Rehabilitation with Motor Imagery. International journal of neural systems 32(9): 2250039, (15 pages)
30. Alexandridis G, Aliprantis J, Michalakis K, Korovesis K, Tsantilas P, & Caridakis G (2021) A Knowledge-Based Deep Learning Architecture for Aspect-Based Sentiment Analysis. International journal of neural systems 31(10): 2150046 (18 pages)
31. Olamat A, Ozel P, and Atasever S (2022) Deep Learning Methods for Multi-Channel EEG-based Emotion Recognition. International Journal of Neural Systems 32(5): 2250021 (17 pages)
32. Lope JD, & Graña M, (2022) A Hybrid Time-Distributed Deep Neural Architecture for Speech Emotion Recognition. International journal of neural systems 32(6): 2250024 (14 pages)
33. Hu T, Xie L, Zhang L, Li G, & Yi Z (2021) Deep Multimodal Neural Network Based on Data-Feature Fusion for Patient-Specific Quality Assurance. International journal of neural systems 32 (1): 2150055
34. Hashimoto H, Kameda S, Maezawa H, Oshino S, Tani N, Khoo HM, Yanagisawa T, Yoshimine T, Kishima H, & Hirata M (2020) A Swallowing Decoder Based on Deep Transfer Learning: AlexNet Classification of the Intracranial Electrocorticogram. International journal of neural systems 31(11): 2150056 (16 pages)
35. Ieracitano C, Morabito FC, Hussain A, & Mammone N (2021) A Hybrid-Domain Deep Learning-Based BCI For Discriminating Hand Motion Planning From EEG Sources. International journal of neural systems 31(9): 2150038 (20 pages)
36. Usman OL, Muniyandi RC, Omar KB, & Mohamad M (2021) Advance Machine Learning Methods for Dyslexia Biomarker Detection: A Review of Implementation Details and Challenges. IEEE Access 9 36879-36897
37. Usman OL, & Muniyandi RC (2020) CryptoDL: Predicting Dyslexia Biomarkers from Encrypted Neuroimaging Dataset Using Energy-Efficient Residue Number System and Deep Convolutional Neural Network. Symmetry 12, 836
38. Usman OL, Muniyandi RC, Omar KB, and Mohamad M (2021) Gaussian smoothing and modified histogram normalization methods to improve neural-biomarker interpretations for dyslexia classification mechanism. PLoS ONE 16.
39. Macias-Garcia E, Galeana-Perez D, Medrano-Hermosillo J, and Bayro-Corrochano E (2021) Multi-stage Deep Learning Perception System for Mobile Robots. Integrated Computer-Aided Engineering 28(2): 191-205
40. Gasienica-Józkowy J, Knapik M, and Cyganek B (2021) An ensemble deep learning method with optimized weights for
drone-based water rescue and surveillance. Integrated Com-puter-Aided Engineering 28(3): 221-235
41. Jiang K, Han Q, and Du X (2022) Lost Data Neural Semantic Recovery Framework for Structural Health Monitoring Based on Deep Learning. Computer-Aided Civil and Infrastructure Engineering 37(9): 1160-1187
42. Pan X, and Yang TT (2022) Image-based monitoring of bolt loosening through deep-learning-based integrated detection and tracking. Computer-Aided Civil and Infrastructure Engineering 37(10): 1207-1222
43. Chun PJ, Yamane T, and Maemura Y (2022) A deep learning based image captioning method to automatically generate comprehensive explanations of bridge damage. Computer-Aided Civil and Infrastructure Engineering 37(11): 1387-1401
44. Rad NM, and Furlanello C (2016) Applying Deep Learning to Stereotypical Motor Movement Detection in Autism Spectrum Disorders. 2016 IEEE 16th International Conference on Data Mining Workshops 16: 2375-9259, DOI https://doi.org/10. 1109/ICDMW.2016.184
45. Rad NM, Kia MS, Zarbo C, Laarhoven TV, Jurman G, Venuti P, Marchiori E, Furlanello C (2018) Deep Learning for Automatic Stereotypical Motor Movement Detection using Wearable Sensors in Autism Spectrum Disorder. Signal Processing 144: 180-191
46. Wang S, Jiang M, Duchesne XMM, Laugeson EAA, Kennedy DPP, Adolphs R, and Zhao Q (2015) Atypical visual saliency in autism spectrum disorder quantified through model-based eye tracking. Neuron 88(3): 604-616
47. Milièiæ J, Petkoviæ BZ, Boikov J (2003) Dermatoglyphs of Digito-Palmar Complex in Autistic Disorder: Family Analysis. Clinical Sciences 44(4): 469-476
48. Kazemi M, Bordbar MRF, Shahri NM (2017) Comparative Dermatoglyphic Study between Autistic Patients and Normal People in Iran. Iran J Med Sci 42(4)
49. Stošljeviü M, and Adamoviü M, (2013) Dermatoglyphic characteristics of digito-palmar complex in autistic boys in Serbia. Vojnosanit Pregl 70(4): 386-390
50. Peng G, Nourani M, Harvey J, & Dave H, (2021) Personalized EEG Feature Selection for Low-Complexity Seizure Monitoring. International journal of neural systems 31(8): 2150018 (16 pages)
51. Xue Y, Zhu H, and Neri F (2022) A Self-adaptive Multi-objective Genetic Algorithm for Feature Selection in Classification. Integrated Computer-Aided Engineering 29(1): 3-21
52. Tian Y, Ding X, Lin YF, Ma S, and Li L (2022) Automatic Feature Type Selection Network in Digital Photogrammetry of Piping. Computer-Aided Civil and Infrastructure Engineering 37(10): 1335-1348
53. Ad-Dab’bagh Y, Lyttelton O, Muehlboeck JS, et al (2006) The CIVET image processing environment: a fully automated comprehensive pipeline for anatomical neuroimaging research. In: Proceedings of the 12th Annual Meeting of the Organization for Human Brain Mapping Florence Italy 2266
54. Fischl B, Dale AM (2000) Measuring the thickness of the human cerebral cortex from magnetic resonance images. Proc Natl Acad Sci 97: 11050-11055
55. Yahata N, Kasai K, and Kawato M (2017) Computational neuroscience approach to biomarkers and treatments for mental disorders. Psychiatry and Clinical Neurosciences 71: 215-237
56. Ashburner J, and Friston KJ (2000) Voxel-based morphometrythe techniques. NeuroImage 11: 805-821
57. Mandl RC, Schnack HG, Zwiers MP, van der Schaaf A, Kahn RS, Pol HEH (2008) Functional diffusion tensor imaging: measuring task-related fractional anisotropy changes in the human brain along white matter tracts. PloS One 3 e3631
58. Iturria-Medina Y, Canales-Rodriguez EJ, Melie-Garcia L, Valdes-Hernandez PA, Martinez-Montes E, Alemán-Gómez Y,

Sánchez-Bornot JM (2007) Characterizing brain anatomical connections using diffusion weighted MRI and graph theory. NeuroImage 36: 645-660
59. Iturria-Medina Y (2013) Anatomical brain networks on the prediction of abnormal brain states. Brain connectivity 3: 1-21
60. Rubinov M, Sporns O (2010) Complex network measures of brain connectivity: uses and interpretations. NeuroImage 52: 1059-1069
61. Zeighami Y, Ulla M, Iturria-Medina Y, Dadar M, Zhang Y, Larcher KMH, Fonov V, Evans AC, Collins DL, Dagher A (2015) Network structure of brain atrophy in de novo Parkinson’s disease. Elife 4 e08440. https://doi.org/10.7554/eLife. 08440
62. Pereira F, Mitchell T, Botvinick M (2009) Machine learning classifiers and fMRI: a tutorial overview. NeuroImage 45: 199-209
63. Mirzaei G, and Adeli H (2016) Resting State Functional Magnetic Resonance Image Processing Techniques in Stroke Studies. Reviews in the Neurosciences 27(8): 871-885
64. Hassanpour A, Moradikia M, Adeli H, Khayami SR, and Shamsinejad P (2019) A Novel End-to-End Deep Learning Scheme For Classifying Multiclass Motor Imagery EEG Signals. Expert Systems 36(6).
65. Gorriz JM, Ramıırez J, Segovia F, Mart́ınez FJ, Lai MC, Lombardo MV, Baron-Cohen S, and Suckling J (2019) A Machine Learning Approach to Reveal the NeuroPhenotypes of Autisms. Int J Neural Sys 29(7)
66. Heinsfeld AS, Franco AR, Craddock C, Buchweitz A, & Meneguzzi F (2018) Identification of autism spectrum disorder using deep learning and the ABIDE dataset. NeuroImage: Clinical 17: 16-23. https://doi.org/10.1016/j.nicl.2017.08.017
67. Li G, Liu M, Sun Q, Shen D, Wang L (2018) Early Diagnosis of Autism Disease by Multi-channel CNNs. Mach Learn Med Imaging 11046, 303-309. https://doi.org/10.1007/978-3-030-00919-9_35
68. Aghdam MA, Sharifi A, & Pedram MM (2018) Combination of rs-fMRI and sMRI Data to Discriminate Autism Spectrum Disorders in Young Children Using Deep Belief Network. Journal of Digital Imaging 31: 895-903
69. Kong Y, Gao J, Xu Y, Pan Y, Wang J, Liu J (2019) Classification of autism spectrum disorder by combining brain connectivity and deep neural network classifier. Neurocomputing 324: 63-68
70. Di Martino A, Yan CG, Li Q, Denio E, Castellanos FX, Alaerts K, Anderson JS, Assaf M, Bookheimer SY, Dapretto M et al. (2014) The Autism Brain Imaging Data Exchange: towards large-scale evaluation of the intrinsic brain architecture in autism. Molecular Psychiatry 19(6): 659-667 https://doi.org/10.1038/mp. 2013.78
71. Irmak E, (2021) Multi-Classification of Brain Tumor MRI Images Using Deep Convolutional Neural Network with Fully Optimized Framework. Iranian Journal of Science and Technology Transactions of Electrical Engineering 45:1015-1036
72. Michelucci U (2019) Advanced Applied Deep Learning: Convolutional Neural Networks and Object Detection, 1st ed. Apress
73. Bishop CM (2006) Pattern Recognition and Machine Learning. Springer New York NY
74. Ahmadlou M, & Adeli H (2006) Enhanced probabilistic neural network with local decision circles: A robust classifier. Integr Comput Aided Eng 17: 197-210
75. Rafiei MH and Adeli H (2017) A New Neural Dynamic Classification Algorithm,” IEEE Transactions on Neural Networks and Learning Systems, 28(12): 3074-3083 https://doi.org/10.1109/ TNNLS.2017.2682102

Publisher’s Note Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Received: 29 August 2023 / Accepted: 31 December 2023 / Published online: 22 January 2024
© The Author(s) 2024

Keywords ASD Multiple classification Data augmentation

ASD is a neurodevelopmental disease that occurs in early childhood and is characterized by communication disorders and difficulties in socialization in children [1,2]. There has

been an increase in the incidence of Autism Spectrum Disorder over the years, and while one in every 150 children in America was autistic in 2000, it is reported that one in every 54 children has autism in 2020 [3, 4].

Despite an extensive range of signs of ASD [5], a complication that prolongs the diagnosis process is the high rate of comorbidity. The comorbidity problem in children with ASD means an extra disability like a vision problem or another health problem [6]. A study revealed that of children diagnosed with autism had at least one of the neurodevelopmental disorders such as attention deficit hyperactivity disorder (ADHD), intellectual disability and developmental coordination disorder [7]. The incidence of autism is higher in boys than in girls [8]. Although the reason for this is not clear, hypotheses such as Extreme Male Brain, Female

Protective Effect, and Female Autism Phenotype are being studied [9]. The lack of a known cure for autism, the long diagnosis and treatment process [10], and the high degree of comorbidity all indicate that more scientific work is needed on autism [11]. There is an important need to study the influence of age and gender factors on ASD diagnosis and to evaluate the possibility that multiple classifications, including age and gender, may contribute to the rapid early diagnosis of ASD. Recent genetic works show that ASD occurs differently between males and females and between youths and adults [12]. Artificial intelligence and machine learning (ML) techniques [13, 14] such as DL provide fresh opportunities to discover biomarkers for diagnosis of ASD taking into account factors like age and gender that affect ASD, to shorten the diagnostic process of ASD, to avoid subjective opinions of different doctors and possibly reach a definitive diagnosis [15-17].

DL techniques have found extensive application in medical and neurological fields such as seizure detection [18], seizure prediction [19-21], epilepsy diagnosis and classification [22, 23], autism [24-27], optimization of neuroprosthetic vision [28], post-stroke rehabilitation with motor imagery [29], sentiment analysis [30], emotion recognition [31, 32], patient-specific quality assurance [33], classification of the intracranial electrocorticogram [34], brain-computer interface (BCI) for discriminating hand motion planning [35], dyslexia biomarker detection [36-38], and many other fields such as mobile robots [39], dronebased water rescue and surveillance [40], and structural health monitoring in recent years [41-43].

The design and effectiveness of a DL method for diagnosing ASD varies according to the data set. The data set can be numeric or two-dimensional graphical, or visual data. Numerical data can be behavioral [44, 45], eye-following [46], or fingerprint data [47-49], converted into numerical data by pre-processing. Optical data are brain structural magnetic resonance scanning images (sMRI) or brain functional magnetic resonance scanning images (fMRI). Using numerical or visual data to train an ML algorithm for ASD diagnosis is ordinarily possible by determining the distinguishing features or using an automated feature extraction technique [50-52]. These features may be structural gray matter (GM) values acquired from cortical thickness (CT) [53-55], GM density (GMd) values from voxel-based morphometry (VBM) [56], diffusion-weighted imaging (DWI) [fractional anisotropy (FA)] in white matter (WM)) microorganism changes [57], connectivity matrices [58], parameters from network analysis [59-61], and resting/duty state fMRI information [62, 63]. However, if a type of DL known as convolutional neural network (CNN) is utilized, direct classification is performed because feature extraction is done automatically. This is known as end-toend deep learning [64]. For this reason, the CNN method is
employed in this research as the most suitable method for rapid diagnosis of ASD.

In the study, the influence of a certain age range and gender on the diagnosis of ASD is examined by performing multiple classifications of ASD based on age and gender. A DL system has been introduced that can diagnose ASD for certain age ranges and gender. The advantages and differences of the current research compared to previouslyreported research on ASD diagnosis, binary classification, and/or multiple classification works can be listed as follows. First, multiple classifications, including age and gender, were performed in this study, and to the best of the authors’ knowledge, this has never been done before. Second, compared to other works that employ a DA method, the number of image data in this study is huge and acquired from different brain regions. This is advantageous in terms of the generalizability of the models. Third, CNN was designed from scratch and utilized as a system element in this study. Thus, feature extraction is done automatically. Fourth, using a transfer learning (TL) method, today’s popular pre-trained models were trained and tested with the same data set.

The following sections are organized as follows. In the next section, works on ASD classification using brain MRI images, which also considered other factors like age and gender, are discussed. The third section explains the techniques and materials utilized in the study. In the fourth section, metrics used to evaluate the performance of the study are presented. The fifth section reports the numerical experimental results acquired from the study. The paper ends with discussions and a conclusion.

Although multiple classifications are more informative for ASD diagnosis works using brain sMRI scans, researchers have not studied them due to their complexity and difficulty in achieving high accuracy rates. As a result, the authors could not find a CNN model trained with brain sMRI images that could perform quadruple and octal classification, including gender and age factors, for ASD diagnosis. Therefore, in this study, multiple classifications were made through binary pairings such as F-ASD and F-TD, M-ASD and M-TD (F represents female, M represents male, and TD represents typical development) using brain MRI images. The quadruple classification was made using only gender, another quadruple classification using only age range, and the octal classification using both gender and age factors.

In a multiple binary classification study of ASD conducted by [12], they created separate groups like ‘adolescents-F (< 18years)’ – ‘adolescents-M(< 18years)’ and ‘adults-F(> 18years)’ – ‘adult-M(> 18years)’ [12]. They investigated which group could be diagnosed with ASD with the highest accuracy rate by making separate binary
classifications using by Extended Metacognitive Radial Basis Function Neural Classifier (EMcRBFN) method, which is trained and tested by sMRI data. They found that ASD can be detected more accurately in women (81%) than in men (60%). In [65], it investigated the impact of gender factors on the diagnosis of ASD in multiple binary classifications. In their study with the Support Vector Machine (SVM) method, they obtained an accurate prediction rate of 69% for the ASD-F (female) group and for the ASD-M (male) group. However, the data set was limited to the 18-49 age group [65]. In [66], it employed DL trained with brain fMRI scans and performed binary ASD classification reporting a accuracy [66]. In another DL study dealing with the age factor, they were able to diagnose ASD in the 2-year-old group with an accuracy rate of using the “Multi-Channel Convolutional Neural Network” (MC-CNN) [67]. In [68], they performed a binary classification of ASD and reported an accuracy rate of 65.69% deep belief network (DBN) model [68]. In [69], they diagnosed ASD with accuracy in binary classification using a DL algorithm trained with brain sMRI scans of participators whose mean age was 15 [69].

The ABIDE database, an international professional database made available on March 27, 2017, was used to train and test the models in the study [70]. Detailed information about ABIDE can be obtained from http://fcon_1000.projects.nitrc. org/indi/abide/. The data in the ABIDE database consist of data collected from 29 different sites shown in Table 1. T1 weighted sequence and sMRI of 2248 participators, 1072 ASD and 1176 TD gathered from 29 locations from ABIDE, constituted first repository of the study called Data1. All images in the repository were scanned for clarity one by one. After the sharpness scan, a sum of 1831 image data, 938 ASD and 893 TD, were used as Data1 in this study. No coloration or any application affecting discrimination was made on any image data. For the three multi-classification CNN models utilized in the study, the data were distributed for all three models, as shown in Table 2, before pre-processing.

The raw data were subjected to a three-step pre-processing. In the first pre-processing step, the unclear images were eliminated. Figure 1 shows examples of vague images.

In the second pre-processing step, the Canny Edge Detection (CED) algorithm subjected each image data to edge detection. The new image acquired after CED

processing is cropped from the determined edges, and the lost area is minimized. Figure 2 describes the second step of data pre-processing, including the CED processing.

In the third step of the pre-processing, each image was subjected to DA by right-left flip, right rotation, right rotation, and 5% salting, magnifying the dataset fivefold. Figure 3 shows the application of the planned DA technique for only one sample image.

Three DL models were designed as part of the system developed in this study. For each model, the GSO algorithm was utilized to decide the most optimal

hyperparameters among the limit values determined in Table 3 [71]. After pre-processing the data set, each model was tested with a randomly selected of the ready-to-utilize data. From top to bottom, the first five rows of hyperparameters in Table 3 are about the architecture of the CNN models, and the next five are about fine-tuning each architecture. In Fig. 4, the system designed in the study is described schematically.

The convolution operation is the processing of acquiring the output matrix as a result of filtering the image matrix entering a CNN model with the filter matrix, as shown in Eq. (1). The resulting output matrix is smaller than the input matrix . During the filtering processing, the filter matrix on matrix A can be shifted as much as the shift step (stride). In some strategies, resizing the output matrix to the same size as matrix A may be desirable. In this case, it can be brought to the same size as the matrix by filling the blank parts of the matrix with the number zero. This processing is called
padding. In addition, before the convolution operation, pooling, which is a sub-operation of the convolution operation, is performed to reduce overfitting. In the pooling processing, the input matrix of the pooling layer is filtered by the selected filter matrix on the principle of mean or maximum values [72]. With Eq. 2, the size of the output matrix is obtained as a result of the filtering used in both pooling and convolution operations [72].

The cross-entropy loss is calculated during the classification process. Softmax function is the layer before the classification layer. Multiclassification is performed as probabilistic in the Softmax layer. The softmax function for the multiple classifications is expressed as follows [73].

In Eq. (3); , and is the conditional probability of the given class sample [73].

Three multiple classifications were performed using the system designed within the scope of this study. First, the acquired brain sMRI image data were pre-processed. After pre-processing, the data were divided into three separate data sets, taking into account age, gender, and both. Grid search optimization (GSO) algorithm was utilized to design the CNN models to be trained with these three separate data sets from scratch to achieve optimal hyperparameters and the highest accuracy rate. The flow diagram of the designed system is illustrated in Fig. 5.

In the study, the dimensions of the input data matrix is chosen as regardless of any criterion. Input image sizes are not contained in the GSO algorithm. The study utilized Model 1, Model 2, and Model 3 CNN model names for Data 1, Data 2, and Data 3, respectively. Table 4 shows the hyperparameters decided due to the GSO for each model and the structures of the CNN models thus designed. Figure 6 shows the architectural scheme in which Model 3 is utilized in the developed system.

Utilizing the loss function shown in Eq. (4), the network continues to be trained throughout the training processing of the network until the loss values calculated for each iteration reach their minimum value.

In Eq. (4), we have N samples represented by , where each sample I belongs to one of the K classes, and the corresponding output is assigned to sample of class [73]. Equation (5) shows the accuracy rate as another performance criterion [73].

In this study, a system was developed that can contribute to ASD automatic diagnosis. CNN models, a part of this system, are designed to have the most optimal parameters through the GSO algorithm. Within this system, three CNN models were designed, and multiple classifications were performed to view the role of gender-age factors

in diagnosing ASD. Gender with Model 1, age with Model 2, and both with Model 3 were highlighted. In addition, the developed system was compared to four pretrained networks using TL. The accuracy and loss curves acquired for all three models utilized in the designed system in Fig. 7, the confusion matrices in Fig. 8, and the comparison of the results with the pre-trained networks in Table 5 are presented. According to the results given in Table 5, the accuracy rate obtained in the quadruple classification made with Model 1, which highlights the

gender factor, is and is higher than all pre-trained models designed for the same purpose. It is seen that an accuracy rate of was achieved in the quadruple classification made with Model 2, which highlights the age factor. It is seen that the accuracy rates obtained with pretrained models designed for the same purpose are higher than all of them. This result leads us to think that the age factor has a greater impact on the diagnosis of ASD than the gender factor. An accuracy rate of was achieved with the octahedral classification model made with Model 3, which takes both age and gender factors into consideration. Although it seems to be less successful

Data Pre-processing

than Model 1 and Model 2, this result is quite high for the eight-fold classification. When compared to other eight-class classification pre-trained models implemented
for the same purpose, it is seen that the highest result is obtained with Model 3. Similar comments can be made by examining missing values. With this system designed

for ASD classification and diagnosis, it is seen that the effect of gender and age factors in multiple classification emerges. The results showed that all three networks outperformed the pre-trained models. In the diagnosis of ASD, the influence of the age factor seems to be more than the gender factor. With this system designed for ASD classification and diagnosis, it is seen that the influence of gender and age factor in multi-classification is revealed.

All studies on automatic diagnosis of ASD with artificial intelligence are binary classification studies. An octal classification study that takes both age and gender factors into consideration cannot be found in the literature. In this study, a deep learning system that is different from what has been done so far and is a first, as far as we know, makes quadruple and eightfold classifications by taking age and gender factors into account and uses sMRI brain images. In this study, an estimation and classification system was designed,
which, as far as we know, is different from what has been done so far, and which is a first, takes into account age and gender factors and utilizes sMRI brain images. The success and reliability of the designed system were provided by comparing it with the Alexnet, Googlenet, Resnet-18, and Squeezenet popular pre-trained networks. The model developed in this research performs better than these pre-trained models. In addition, the designed system has the feature of generalizability since the data set was acquired from the ABIDE database created by acquiring from 29 different locations, and the data set was enlarged five times by DA techniques. As a result, the accuracy rates acquired as a result of the test performed with all three CNN models designed to be utilized within the system show that the designed system has robust dynamics enough to give the highest accuracy rates.

In the future, more successful applications are planned by adding advanced (ML) algorithms like enhanced probabilistic neural network (EPNN) [74] and neural dynamic classification (NDC) algorithm [75] to a system that examines age and gender factors.

Author Contributions H.A. guided the overall direction of the research, and participated in the development of the algorithms and writing of the article.H.N. implemented the algorithms, obtained results, and prepared the first draft of the paper.

Funding None.

Data Availability The ABIDE database, a publicly available database was used in this research.

Ethical Approval Not applicable.
Competing Interests The authors declare no competing interests.

Open Access This article is licensed under a Creative Commons Attribution 4.0 International License, which permits use, sharing, adaptation, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons licence, and indicate if changes were made. The images or other third party material in this article are included in the article’s Creative Commons licence, unless indicated otherwise in a credit line to the material. If material is not included in the article’s Creative Commons licence and your intended use is not permitted by statutory regulation or exceeds the permitted use, you will need to obtain permission directly from the copyright holder. To view a copy of this licence, visit http://creativecommons.org/licenses/by/4.0/.

Developmental Disorders 45(5):1121-1136. https://doi.org/10. 1007/s10803-014-2268-6
25. Ardakani HA, Taghizadeh M, and Shayegh F (2022) Diagnosis of Autism Disorder Based on Deep Network Trained by Augmented EEG Signals. International journal of neural systems 2250046.
26. Li S, Tang Z, Jin N, Yang Q, Liu G, Liu T, Hu J, Liu S, Wang P, Hao J, Zhang Z, Zhang X, Li J, Wang X, Li Z, Wang Y, Yang B, and Ma L (2022) Uncovering Brain Differences in Preschoolers and Young Adolescents with Autism Spectrum Disorder Using Deep Learning International journal of neural systems 2250044.
27. Rahman MM, Usman OL, Muniyandi RC, Sahran S, Mohamed S, & Razak RA (2020) A Review of Machine Learning Methods of Feature Selection and Classification for Autism Spectrum Disorder. Brain Sciences 10
28. Küçükoglu B, Rueckauer B, Ahmad N, de Ruyter van Steveninck J, Güçlü U, & van Gerven MA (2022) Optimization of Neuroprosthetic Vision via End-to-end Deep Reinforcement Learning. bioRxiv 32(11): 2250052 (16 pages)
29. Xu F, Dong G, Li J, Yang Q, Wang L, Zhao Y, Yan Y, Zhao J, Pang S, Guo D, Zhang Y, & Leng J (2022) Deep Convolution Generative Adversarial Network-Based Electroencephalogram Data Augmentation for Post-Stroke Rehabilitation with Motor Imagery. International journal of neural systems 32(9): 2250039, (15 pages)
30. Alexandridis G, Aliprantis J, Michalakis K, Korovesis K, Tsantilas P, & Caridakis G (2021) A Knowledge-Based Deep Learning Architecture for Aspect-Based Sentiment Analysis. International journal of neural systems 31(10): 2150046 (18 pages)
31. Olamat A, Ozel P, and Atasever S (2022) Deep Learning Methods for Multi-Channel EEG-based Emotion Recognition. International Journal of Neural Systems 32(5): 2250021 (17 pages)
32. Lope JD, & Graña M, (2022) A Hybrid Time-Distributed Deep Neural Architecture for Speech Emotion Recognition. International journal of neural systems 32(6): 2250024 (14 pages)
33. Hu T, Xie L, Zhang L, Li G, & Yi Z (2021) Deep Multimodal Neural Network Based on Data-Feature Fusion for Patient-Specific Quality Assurance. International journal of neural systems 32 (1): 2150055
34. Hashimoto H, Kameda S, Maezawa H, Oshino S, Tani N, Khoo HM, Yanagisawa T, Yoshimine T, Kishima H, & Hirata M (2020) A Swallowing Decoder Based on Deep Transfer Learning: AlexNet Classification of the Intracranial Electrocorticogram. International journal of neural systems 31(11): 2150056 (16 pages)
35. Ieracitano C, Morabito FC, Hussain A, & Mammone N (2021) A Hybrid-Domain Deep Learning-Based BCI For Discriminating Hand Motion Planning From EEG Sources. International journal of neural systems 31(9): 2150038 (20 pages)
36. Usman OL, Muniyandi RC, Omar KB, & Mohamad M (2021) Advance Machine Learning Methods for Dyslexia Biomarker Detection: A Review of Implementation Details and Challenges. IEEE Access 9 36879-36897
37. Usman OL, & Muniyandi RC (2020) CryptoDL: Predicting Dyslexia Biomarkers from Encrypted Neuroimaging Dataset Using Energy-Efficient Residue Number System and Deep Convolutional Neural Network. Symmetry 12, 836
38. Usman OL, Muniyandi RC, Omar KB, and Mohamad M (2021) Gaussian smoothing and modified histogram normalization methods to improve neural-biomarker interpretations for dyslexia classification mechanism. PLoS ONE 16.
39. Macias-Garcia E, Galeana-Perez D, Medrano-Hermosillo J, and Bayro-Corrochano E (2021) Multi-stage Deep Learning Perception System for Mobile Robots. Integrated Computer-Aided Engineering 28(2): 191-205
40. Gasienica-Józkowy J, Knapik M, and Cyganek B (2021) An ensemble deep learning method with optimized weights for
drone-based water rescue and surveillance. Integrated Com-puter-Aided Engineering 28(3): 221-235
41. Jiang K, Han Q, and Du X (2022) Lost Data Neural Semantic Recovery Framework for Structural Health Monitoring Based on Deep Learning. Computer-Aided Civil and Infrastructure Engineering 37(9): 1160-1187
42. Pan X, and Yang TT (2022) Image-based monitoring of bolt loosening through deep-learning-based integrated detection and tracking. Computer-Aided Civil and Infrastructure Engineering 37(10): 1207-1222
43. Chun PJ, Yamane T, and Maemura Y (2022) A deep learning based image captioning method to automatically generate comprehensive explanations of bridge damage. Computer-Aided Civil and Infrastructure Engineering 37(11): 1387-1401
44. Rad NM, and Furlanello C (2016) Applying Deep Learning to Stereotypical Motor Movement Detection in Autism Spectrum Disorders. 2016 IEEE 16th International Conference on Data Mining Workshops 16: 2375-9259, DOI https://doi.org/10. 1109/ICDMW.2016.184
45. Rad NM, Kia MS, Zarbo C, Laarhoven TV, Jurman G, Venuti P, Marchiori E, Furlanello C (2018) Deep Learning for Automatic Stereotypical Motor Movement Detection using Wearable Sensors in Autism Spectrum Disorder. Signal Processing 144: 180-191
46. Wang S, Jiang M, Duchesne XMM, Laugeson EAA, Kennedy DPP, Adolphs R, and Zhao Q (2015) Atypical visual saliency in autism spectrum disorder quantified through model-based eye tracking. Neuron 88(3): 604-616
47. Milièiæ J, Petkoviæ BZ, Boikov J (2003) Dermatoglyphs of Digito-Palmar Complex in Autistic Disorder: Family Analysis. Clinical Sciences 44(4): 469-476
48. Kazemi M, Bordbar MRF, Shahri NM (2017) Comparative Dermatoglyphic Study between Autistic Patients and Normal People in Iran. Iran J Med Sci 42(4)
49. Stošljeviü M, and Adamoviü M, (2013) Dermatoglyphic characteristics of digito-palmar complex in autistic boys in Serbia. Vojnosanit Pregl 70(4): 386-390
50. Peng G, Nourani M, Harvey J, & Dave H, (2021) Personalized EEG Feature Selection for Low-Complexity Seizure Monitoring. International journal of neural systems 31(8): 2150018 (16 pages)
51. Xue Y, Zhu H, and Neri F (2022) A Self-adaptive Multi-objective Genetic Algorithm for Feature Selection in Classification. Integrated Computer-Aided Engineering 29(1): 3-21
52. Tian Y, Ding X, Lin YF, Ma S, and Li L (2022) Automatic Feature Type Selection Network in Digital Photogrammetry of Piping. Computer-Aided Civil and Infrastructure Engineering 37(10): 1335-1348
53. Ad-Dab’bagh Y, Lyttelton O, Muehlboeck JS, et al (2006) The CIVET image processing environment: a fully automated comprehensive pipeline for anatomical neuroimaging research. In: Proceedings of the 12th Annual Meeting of the Organization for Human Brain Mapping Florence Italy 2266
54. Fischl B, Dale AM (2000) Measuring the thickness of the human cerebral cortex from magnetic resonance images. Proc Natl Acad Sci 97: 11050-11055
55. Yahata N, Kasai K, and Kawato M (2017) Computational neuroscience approach to biomarkers and treatments for mental disorders. Psychiatry and Clinical Neurosciences 71: 215-237
56. Ashburner J, and Friston KJ (2000) Voxel-based morphometrythe techniques. NeuroImage 11: 805-821
57. Mandl RC, Schnack HG, Zwiers MP, van der Schaaf A, Kahn RS, Pol HEH (2008) Functional diffusion tensor imaging: measuring task-related fractional anisotropy changes in the human brain along white matter tracts. PloS One 3 e3631
58. Iturria-Medina Y, Canales-Rodriguez EJ, Melie-Garcia L, Valdes-Hernandez PA, Martinez-Montes E, Alemán-Gómez Y,

Sánchez-Bornot JM (2007) Characterizing brain anatomical connections using diffusion weighted MRI and graph theory. NeuroImage 36: 645-660
59. Iturria-Medina Y (2013) Anatomical brain networks on the prediction of abnormal brain states. Brain connectivity 3: 1-21
60. Rubinov M, Sporns O (2010) Complex network measures of brain connectivity: uses and interpretations. NeuroImage 52: 1059-1069
61. Zeighami Y, Ulla M, Iturria-Medina Y, Dadar M, Zhang Y, Larcher KMH, Fonov V, Evans AC, Collins DL, Dagher A (2015) Network structure of brain atrophy in de novo Parkinson’s disease. Elife 4 e08440. https://doi.org/10.7554/eLife. 08440
62. Pereira F, Mitchell T, Botvinick M (2009) Machine learning classifiers and fMRI: a tutorial overview. NeuroImage 45: 199-209
63. Mirzaei G, and Adeli H (2016) Resting State Functional Magnetic Resonance Image Processing Techniques in Stroke Studies. Reviews in the Neurosciences 27(8): 871-885
64. Hassanpour A, Moradikia M, Adeli H, Khayami SR, and Shamsinejad P (2019) A Novel End-to-End Deep Learning Scheme For Classifying Multiclass Motor Imagery EEG Signals. Expert Systems 36(6).
65. Gorriz JM, Ramıırez J, Segovia F, Mart́ınez FJ, Lai MC, Lombardo MV, Baron-Cohen S, and Suckling J (2019) A Machine Learning Approach to Reveal the NeuroPhenotypes of Autisms. Int J Neural Sys 29(7)
66. Heinsfeld AS, Franco AR, Craddock C, Buchweitz A, & Meneguzzi F (2018) Identification of autism spectrum disorder using deep learning and the ABIDE dataset. NeuroImage: Clinical 17: 16-23. https://doi.org/10.1016/j.nicl.2017.08.017
67. Li G, Liu M, Sun Q, Shen D, Wang L (2018) Early Diagnosis of Autism Disease by Multi-channel CNNs. Mach Learn Med Imaging 11046, 303-309. https://doi.org/10.1007/978-3-030-00919-9_35
68. Aghdam MA, Sharifi A, & Pedram MM (2018) Combination of rs-fMRI and sMRI Data to Discriminate Autism Spectrum Disorders in Young Children Using Deep Belief Network. Journal of Digital Imaging 31: 895-903
69. Kong Y, Gao J, Xu Y, Pan Y, Wang J, Liu J (2019) Classification of autism spectrum disorder by combining brain connectivity and deep neural network classifier. Neurocomputing 324: 63-68
70. Di Martino A, Yan CG, Li Q, Denio E, Castellanos FX, Alaerts K, Anderson JS, Assaf M, Bookheimer SY, Dapretto M et al. (2014) The Autism Brain Imaging Data Exchange: towards large-scale evaluation of the intrinsic brain architecture in autism. Molecular Psychiatry 19(6): 659-667 https://doi.org/10.1038/mp. 2013.78
71. Irmak E, (2021) Multi-Classification of Brain Tumor MRI Images Using Deep Convolutional Neural Network with Fully Optimized Framework. Iranian Journal of Science and Technology Transactions of Electrical Engineering 45:1015-1036
72. Michelucci U (2019) Advanced Applied Deep Learning: Convolutional Neural Networks and Object Detection, 1st ed. Apress
73. Bishop CM (2006) Pattern Recognition and Machine Learning. Springer New York NY
74. Ahmadlou M, & Adeli H (2006) Enhanced probabilistic neural network with local decision circles: A robust classifier. Integr Comput Aided Eng 17: 197-210
75. Rafiei MH and Adeli H (2017) A New Neural Dynamic Classification Algorithm,” IEEE Transactions on Neural Networks and Learning Systems, 28(12): 3074-3083 https://doi.org/10.1109/ TNNLS.2017.2682102

Publisher’s Note Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.