DOI: https://doi.org/10.1007/s10916-023-02032-0
PMID: https://pubmed.ncbi.nlm.nih.gov/38252192
تاريخ النشر: 2024-01-22
المؤلف: H. Selçuk Noğay وآخرون
الموضوع الرئيسي: البحث في اضطراب طيف التوحد
نظرة عامة
تتناول هذه الدراسة التحديات في التشخيص السريع لاضطرابات طيف التوحد (ASD) ونقص العلاجات الفعالة من خلال استكشاف حلول تكنولوجية جديدة من خلال التعلم العميق (DL). قام الباحثون بتنفيذ تصنيفات رباعية مزدوجة—واحدة تأخذ في الاعتبار الجنس والأخرى العمر—وتصنيف ثماني يتضمن كلا العاملين. تهدف هذه الطريقة إلى تقييم مساهمات العمر والجنس في تشخيص ASD، مما يمثل جهدًا جديدًا في هذا المجال.
استخدمت الدراسة مسحات التصوير بالرنين المغناطيسي الهيكلي (sMRI) من المشاركين الذين يعانون من ASD والأفراد ذوي التطور الطبيعي، باستخدام خوارزمية كشف الحواف Canny Edge Detection (CED) لمعالجة البيانات وزيادة مجموعة البيانات خمس مرات. تم تطوير ثلاثة نماذج لشبكات الأعصاب التلافيفية (CNN): نموذج تصنيف رباعي قائم على الجنس، ونموذج تصنيف رباعي قائم على العمر، ونموذج تصنيف ثماني يجمع بين كلا العاملين. حققت النماذج معدلات دقة بلغت 80.94% و85.42% و67.94%، على التوالي. ومن الجدير بالذكر أن هذه النتائج تفوقت على تلك الخاصة بالنماذج المدربة مسبقًا باستخدام التعلم الانتقالي، مما يبرز أهمية العمر والجنس في تشخيص ASD وفعالية نظام DL المقترح.
مقدمة
تناقش مقدمة ورقة البحث اضطراب طيف التوحد (ASD)، وهو حالة تطورية عصبية تتميز بالتحديات في التواصل والتفاعل الاجتماعي لدى الأطفال. لقد زادت نسبة انتشار ASD بشكل ملحوظ، حيث تشير الإحصائيات إلى أن الحدوث ارتفع من 1 من كل 150 طفلًا في عام 2000 إلى 1 من كل 54 بحلول عام 2020. تعتبر نسبة الترافق العالية من التعقيدات الكبيرة في تشخيص ASD، حيث يقدم العديد من الأطفال المصابين بالتوحد أيضًا اضطرابات تطورية عصبية إضافية. تسلط الورقة الضوء على الحاجة إلى مزيد من البحث في تأثيرات العمر والجنس على تشخيص ASD، فضلاً عن الإمكانيات التي توفرها تقنيات الذكاء الاصطناعي (AI) وتعلم الآلة (ML)، وخاصة التعلم العميق (DL)، لتسهيل عمليات التشخيص الأكثر دقة وكفاءة.
يقترح المؤلفون استخدام الشبكات العصبية التلافيفية (CNNs) لتشخيص ASD، مؤكدين على مزايا استخراج الميزات تلقائيًا والقدرة على إجراء تصنيفات متعددة بناءً على العمر والجنس—وهي نهج يؤكدون أنه لم يتم استكشافه سابقًا. تهدف الدراسة إلى الاستفادة من مجموعة بيانات كبيرة من بيانات تصوير الدماغ لتعزيز قابلية تعميم النماذج المطورة. تمهد المقدمة الطريق للأقسام التالية، التي ستفصل الأعمال ذات الصلة، والمنهجيات، ومعايير التقييم، والنتائج التجريبية، مما يساهم في فهم وتشخيص ASD.
الطرق
في هذه الدراسة، تم تطوير نظام جديد للتشخيص التلقائي لاضطراب طيف التوحد (ASD)، باستخدام الشبكات العصبية التلافيفية (CNNs) المحسّنة من خلال خوارزمية تحسين الجراد (GSO). تم إنشاء ثلاثة نماذج CNN متميزة، كل منها يركز على عوامل تصنيف مختلفة: الجنس (النموذج 1)، العمر (النموذج 2)، وكلاهما (النموذج 3). تم تقييم النماذج مقابل أربعة شبكات مدربة مسبقًا باستخدام التعلم الانتقالي (TL)، مع تقديم مقاييس الأداء بما في ذلك الدقة والخسارة في أشكال وجداول مختلفة.
أشارت النتائج إلى أن النموذج 1 حقق دقة بلغت 80.94%، متجاوزًا جميع النماذج المدربة مسبقًا، بينما حقق النموذج 2، الذي يركز على العمر، دقة بلغت 85.42%، مما يشير إلى أن العمر له تأثير أكبر على تشخيص ASD مقارنة بالجنس. سجل النموذج 3، الذي أخذ في الاعتبار كلا العاملين، دقة بلغت 67.94% في التصنيف الثماني، والذي، على الرغم من كونه أقل من النموذجين الأولين، إلا أنه كان لا يزال الأعلى بين النماذج المدربة مسبقًا لتصنيف ثماني الفئات. بشكل عام، تؤكد النتائج على أهمية العمر والجنس في التصنيف المتعدد لـ ASD، حيث يعتبر عامل العمر مؤثرًا بشكل خاص.
المناقشة
في قسم المناقشة هذا، يبرز المؤلفون قيود الأبحاث الحالية حول تشخيص اضطراب طيف التوحد (ASD) باستخدام مسحات التصوير بالرنين المغناطيسي الهيكلي (sMRI)، وخاصة نقص الدراسات التي تتناول التصنيفات المتعددة التي تشمل عوامل العمر والجنس. يشيرون إلى أن الأعمال السابقة كانت تركز بشكل أساسي على التصنيفات الثنائية، حيث حققت بعض الدراسات معدلات دقة متفاوتة—81% للإناث و60% للذكور في حالة واحدة، و69% و66% للإناث والذكور المصابين بـ ASD، على التوالي، في حالة أخرى. يؤكد المؤلفون أن دراستهم رائدة في إجراء تصنيفات رباعية وثمانية بناءً على الجنس والعمر، باستخدام مجموعة بيانات من قاعدة بيانات ABIDE، التي تشمل 2248 مشاركًا (1072 ASD و1176 تطور طبيعي).
يصف المؤلفون منهجيتهم، التي تضمنت نهج معالجة بيانات مسبق من ثلاث خطوات، بما في ذلك فحوصات وضوح الصورة، وكشف الحواف باستخدام خوارزمية كشف الحواف Canny، وتقنيات زيادة البيانات لتعزيز مجموعة البيانات. قاموا بتطوير ثلاثة نماذج لشبكات الأعصاب التلافيفية (CNN) تم تحسينها من خلال خوارزمية تحسين البحث الشبكي (GSO) لتحقيق أفضل المعلمات الفائقة. تشير النتائج إلى أن نظامهم يتفوق على الشبكات المدربة مسبقًا المعروفة مثل AlexNet وGoogLeNet، مما يظهر قوة القابلية للتعميم بسبب مجموعة البيانات المتنوعة واستراتيجيات الزيادة. يخلص المؤلفون إلى أن نظام التعلم العميق الخاص بهم يمثل تقدمًا كبيرًا في تشخيص ASD، مع خطط لتحسينات مستقبلية من خلال دمج خوارزميات تعلم الآلة الأكثر تطورًا.
DOI: https://doi.org/10.1007/s10916-023-02032-0
PMID: https://pubmed.ncbi.nlm.nih.gov/38252192
Publication Date: 2024-01-22
Author(s): H. Selçuk Noğay et al.
Primary Topic: Autism Spectrum Disorder Research
Overview
This study addresses the challenges in the rapid diagnosis of Autism Spectrum Disorders (ASD) and the lack of effective treatments by exploring novel technological solutions through deep learning (DL). The researchers implemented two quadruple classifications—one considering gender and the other age—and an octal classification that incorporated both factors. This approach aims to assess the contributions of age and gender to ASD diagnosis, marking a novel effort in this domain.
The study utilized structural MRI (sMRI) scans from participants with ASD and typically developing individuals, employing the Canny Edge Detection (CED) algorithm for data preprocessing and augmenting the dataset fivefold. Three convolutional neural network (CNN) models were developed: a gender-based quadruple classification model, an age-based quadruple classification model, and an octal classification model that combined both factors. The models achieved accuracy rates of 80.94%, 85.42%, and 67.94%, respectively. Notably, these results surpassed those of pre-trained models using transfer learning, highlighting the significance of age and gender in ASD diagnosis and the effectiveness of the proposed DL system.
Introduction
The introduction of the research paper discusses Autism Spectrum Disorder (ASD), a neurodevelopmental condition marked by communication and socialization challenges in children. The prevalence of ASD has notably increased, with statistics indicating that the incidence rose from 1 in 150 children in 2000 to 1 in 54 by 2020. A significant complication in diagnosing ASD is the high rate of comorbidity, as many children with autism also present with additional neurodevelopmental disorders. The paper highlights the need for further research into the influences of age and gender on ASD diagnosis, as well as the potential for artificial intelligence (AI) and machine learning (ML) techniques, particularly deep learning (DL), to facilitate more accurate and efficient diagnostic processes.
The authors propose utilizing convolutional neural networks (CNNs) for ASD diagnosis, emphasizing the advantages of automatic feature extraction and the ability to perform multiple classifications based on age and gender—an approach they assert has not been previously explored. The study aims to leverage a large dataset of brain imaging data to enhance the generalizability of the models developed. The introduction sets the stage for the subsequent sections, which will detail related works, methodologies, evaluation metrics, and experimental results, ultimately contributing to the understanding and diagnosis of ASD.
Methods
In this study, a novel system for the automatic diagnosis of Autism Spectrum Disorder (ASD) was developed, utilizing Convolutional Neural Networks (CNNs) optimized through the Grasshopper Optimization (GSO) algorithm. Three distinct CNN models were created, each focusing on different classification factors: gender (Model 1), age (Model 2), and both (Model 3). The models were evaluated against four pre-trained networks using transfer learning (TL), with performance metrics including accuracy and loss presented in various figures and tables.
The results indicated that Model 1 achieved an accuracy of 80.94%, surpassing all pre-trained models, while Model 2, emphasizing age, attained an accuracy of 85.42%, suggesting that age has a more significant impact on ASD diagnosis than gender. Model 3, which considered both factors, recorded an accuracy of 67.94% in octahedral classification, which, although lower than the first two models, was still the highest among pre-trained models for eight-class classification. Overall, the findings underscore the importance of age and gender in the multi-classification of ASD, with the age factor being particularly influential.
Discussion
In this discussion section, the authors highlight the limitations of existing research on Autism Spectrum Disorder (ASD) diagnosis using brain structural MRI (sMRI) scans, particularly the lack of studies addressing multiple classifications that include age and gender factors. They note that previous works primarily focused on binary classifications, with some studies achieving varying accuracy rates—81% for females and 60% for males in one instance, and 69% and 66% for ASD females and males, respectively, in another. The authors emphasize that their study is pioneering in performing quadruple and octal classifications based on gender and age, utilizing a dataset from the ABIDE database, which includes 2248 participants (1072 ASD and 1176 typical development).
The authors describe their methodology, which involved a three-step data pre-processing approach, including image clarity checks, edge detection using the Canny Edge Detection algorithm, and data augmentation techniques to enhance the dataset. They developed three convolutional neural network (CNN) models, optimized through a Grid Search Optimization (GSO) algorithm, to achieve the best hyperparameters. The results indicate that their system outperforms established pre-trained networks like AlexNet and GoogLeNet, demonstrating strong generalizability due to the diverse dataset and augmentation strategies. The authors conclude that their deep learning system represents a significant advancement in ASD diagnosis, with plans for future enhancements through the integration of more sophisticated machine learning algorithms.