مراجعة نطاق لأساليب التعلم الآلي والتعلم العميق لتشخيص وتحليل اضطراب طيف التوحد

ملخص

تقيم هذه المراجعة 50 دراسة حديثة تطبق التعلم الآلي والتعلم العميق على تشخيص اضطراب طيف التوحد (ASD). أظهرت الأساليب متعددة الوسائط التي تدمج التصوير العصبي والبيانات السلوكية والبيولوجية تحسنا في الأداء. تشمل التحديات الرئيسية قابلية التفسير، وقابلية التوسع، وتباين البيانات. يجب أن تركز الجهود المستقبلية على أنظمة ذكاء اصطناعي قابلة للتفسير، تحافظ على الخصوصية، وقابلة للترجمة سريريا.

الملخص

اضطراب طيف التوحد (ASD) هو حالة عصبية تطورية متجانسة تتميز بتنوع في السلوك والمعرفة والحسية والتواصل، مما يجعل التشخيص المبكر والتدخل الشخصي أمرا صعبا. مكنت التطورات الحديثة في التعلم الآلي (ML) والتعلم العميق (DL) تطوير أدوات حاسوبية لفحص اضطراب طيف التوحد وتصنيفه وتقييم الشدة ومراقبة التدخل. تجمع هذه المراجعة نتائج 50 دراسة حديثة طبقت تقنيات التعلم الآلي والتعلم العميق على مجموعات بيانات مرتبطة باضطراب طيف التوحد، بما في ذلك تخطيط الدماغ الكهربائي (EEG)، تتبع العين، الفيديو السلوكي، الميكروبيوم، الصوت الصوتي، البيانات الديموغرافية، والبيانات متعددة الوسائط. تتناول المراجعة ثلاثة أسئلة رئيسية: (1) أي وسائل البيانات والأساليب الحاسوبية تستخدم أكثر، (2) كيف يتم تقييم الأداء التشخيصي عبر تصاميم دراسات مختلفة، و(3) ما هي التحديات المنهجية التي تحد من الترجمة السريرية. الأدبيات منظمة وفقا لطريقة البيانات، والنهج الخوارزمي، والجاهزية السريرية. تشمل الأساليب التي تم فحصها طرق التعلم الآلي التقليدية، والشبكات العصبية الالتفافية، والشبكات العصبية البيانية، وهياكل التعلم العميق الهجينة، والتعلم الموحد، والذكاء الاصطناعي القابل للتفسير، وتحليل البيانات الطوبولوجية، والاندماج متعدد الوسائط. تشير النتائج إلى أن الأساليب متعددة الوسائط والمعتمدة على الرسوم البيانية توفر تمثيلا أكثر شمولا لأنماط اضطراب طيف التوحد مقارنة بطرق النمط الواحد. كما ظهرت القابلية للشرح والتعلم الذي يحافظ على الخصوصية كاعتبارات مهمة للنشر السريري. ومع ذلك، فإن العديد من النماذج عالية الأداء المبلغ عنها تعتمد على حجم عينات صغير، أو استخدام متكرر لمجموعة بيانات ABIDE، أو اختلال في التصنيف، أو التحقق من صحة الموقع الواحد، أو اختبارات خارجية محدودة، مما يثير مخاوف بشأن قابلية التعميم. بعيدا عن دقة التشخيص، تقيم هذه المراجعة قابلية تفسير النموذج، والمعايرة، وقابلية التوسع، وصرامة التحقق، والتطبيق السريري. بشكل عام، يبرز التحليل الحاجة إلى معايير موحدة، ومجموعات بيانات متعددة الوسائط تم التحقق منها خارجيا، ومقاييس تقييم ذات صلة سريرية، وأنظمة دعم القرار التي تكمل التقييم السريري الخبير في تشخيص وإدارة اضطراب طيف التوحد بدلا من أن تحل محله.

المقدمة

اضطراب طيف التوحد (ASD) هو حالة عصبية تطورية معقدة تتميز بضعف في التواصل الاجتماعي، ومحدودية الاهتمامات، والسلوكيات المتكررة. تجعل الطبيعة المتغايرة لاضطراب طيف التوحد وتداخلها مع اضطرابات النمو العصبي الأخرى التشخيص والتقييم السريري أمرين صعبين بشكل خاص. تعتمد الأساليب التشخيصية التقليدية بشكل أساسي على الملاحظات السلوكية والتقييمات السريرية، مما قد يساهم في تأخير التشخيص وتفاوت النتائج السريرية. التعرف المبكر والدقيق على اضطراب طيف التوحد أمر ضروري لأن التدخل في الوقت المناسب ثبت أنه يحسن الوظائف المعرفية والاجتماعية والتكيفية بشكل كبير. لقد وسعت التطورات الحديثة في الذكاء الاصطناعي (AI)، وخاصة التعلم الآلي (ML) والتعلم العميق (DL)، فرص تطوير مناهج موضوعية ومبنية على البيانات لتشخيص وتحليل اضطراب طيف التوحد ^1,2,3.

تمكن تقنيات التعلم الآلي والتعلم العميق من تحليل مجموعات البيانات عالية الأبعاد المستمدة من التصوير بالرنين المغناطيسي الوظيفي (fMRI)، تخطيط الدماغ الكهربائي (EEG)، تتبع العين، التقييمات السلوكية، إشارات الكلام، وغيرها من العلامات البيولوجية. أظهرت هذه الأساليب إمكانات كبيرة في فحصات اضطراب طيف التوحد، وتصنيفه، والتنبؤ بشدته، ومراقبة التدخلات. أفادت دراسات حديثة بنتائج مشجعة باستخدام نماذج تعتمد على التصوير العصبي، والتحليلات السلوكية، وأطر التعلم متعددة الوسائط، وبنى للحفاظ على الخصوصية لاكتشاف وتقييم اضطراب طيف التوحد^4،5،6. ومع ذلك، لا تزال الأدبيات المتنامية بسرعة مجزأة للغاية لأن العديد من الدراسات تركز على أنماط البيانات الفردية، أو الخوارزميات المحددة، أو الأهداف السريرية المعزولة، مما يجعل المقارنة المباشرة بين المنهجيات والنتائج أمرا صعبا.

على الرغم من التقدم الكبير، لا تزال هناك تحديات تحد من الترجمة السريرية لأنظمة تشخيص اضطراب طيف التوحد المبنية على الذكاء الاصطناعي. يتم تطوير العديد من النماذج المنشورة باستخدام مجموعات بيانات صغيرة نسبيا، أو مجموعات موقع واحد، أو إجراءات تحقق محدودة، مما يثير مخاوف بشأن قابلية التعميم والتطبيق في العالم الحقيقي. بالإضافة إلى ذلك، تظل القضايا المتعلقة بالتفسير، والكفاءة الحاسوبية، وقابلية التوسع، والعدالة، وخصوصية البيانات حواجز مهمة أمام التبني السريري. ركزت المراجعات الحالية عادة على منهجيات محددة أو مصادر بيانات فردية، وغالبا ما تتجاهل العلاقات الأوسع بين طريقة البيانات، والتصميم الخوارزمي، وصرامة التحقق، والجاهزية السريرية.

لمعالجة هذه الفجوات، تقوم هذه المراجعة النطاقية بتلخيص أدلة من 50 دراسة حديثة طبقت تقنيات التعلم الآلي (ML) والتعلم العميق (DL) على تشخيص وتحليل اضطراب طيف التوحد (ASD). تشمل الأدبيات المستعرضة طيفا واسعا من المناهج الحاسوبية ووسائل البيانات، بما في ذلك الطرق القائمة على التصوير العصبي باستخدام التصوير المغناطيسي الوظيفي والهيكلي (fMRI/sMRI)، تخطيط الدماغ الكهربائي (EEG)، تحليل السلوك والنظرة، معالجة الإشارات الفسيولوجية، تقييم الكلام والصوت الصوتي، المؤشرات الحيوية المعتمدة على الميكروبيوم، وأطر التعلم متعددة الوسائط. استكشفت الدراسات الحديثة أساليب التعلم الآلي التقليدية مثل آلات الدعم المتجهة والغابات العشوائية، بالإضافة إلى هياكل التعلم العميق المتقدمة بما في ذلك الشبكات العصبية الالتفافية، والشبكات العصبية البيانية، والتعلم التحويلي، والنماذج القائمة على الانتباه، وأطر التعلم الموحدة، والذكاء الاصطناعي القابل للتفسير، وطرق تحليل البيانات^{الطوبولوجية} 1,2,3,4,5,6 ^,7,8,9,10,11,12,13,14,15,16.

تظهر الدراسات المراجعة أيضا تزايد تنوع مصادر البيانات المتعلقة باضطراب طيف التوحد والأهداف التحليلية. فحصت التحقيقات التباين التشريحي العصبي، أنماط الاتصال الوظيفي، التقييم السلوكي، الفحص القائم على الواقع الافتراضي، المراقبة الفسيولوجية، تحليل تخطيط الدماغ الكهربائي، التصنيف المعتمد على الشبكية الكهربائية، التحليل الميكروبيمي، علم الأيض، صوتيات الكلام، ودمج البيانات متعددة الوسائط للتشخيص، والتنبؤ بشدة، ومراقبة التدخل، وتحديد الأنواع الفرعية^{17،18،19،20.21، 22، 23، 24، 25، 26، 27، 28، 29، 30، 31، 32، 33، 34، 35}. تعكس هذه التطورات تحولا من نماذج تشخيصية ذات نمط واحد نحو أطر تكاملية قادرة على التقاط المظاهر السريرية غير المتجانسة لاضطراب طيف التوحد.

بعيدا عن تلخيص أداء التشخيص، تقيم هذه المراجعة العلاقة بين طريقة البيانات، والتصميم الخوارزمي، وصرامة التحقق، وقابلية التفسير، وقابلية التوسع، والتطبيق السريري. يعطى اهتمام خاص للأساليب الناشئة مثل التعلم الفيدرالي، النمذجة القائمة على الرسوم البيانية، الاندماج متعدد الوسائط، الذكاء الاصطناعي القابل للتفسير، أطر التعلم التي تحافظ على الخصوصية، تقنيات الواقع الممتدد، والتشخيص الدقيق المدفوع بالمؤشرات الحيوية 36,37,38,39,40,41,42,43,44^{,45، 46، 47، 48، 49، 50}. من خلال دمج الأدلة عبر الأساليب والخوارزميات واستراتيجيات التحقق، توفر هذه المراجعة معيارا منظما لتقنيات التشخيص الحالية لاضطراب طيف التوحد مع تسليط الضوء على نقاط القوة المنهجية والقيود واعتبارات جودة الأدلة. يمتد التحليل إلى ما هو أبعد من الدقة المبلغ عنها ليشمل قابلية التفسير، والتحقق الخارجي، والجاهزية السريرية، وإمكانية النشر، مما يوفر إطارا لتقييم الإمكانات الترجمية لأنظمة تشخيص اضطراب طيف التوحد المدعومة بالذكاء الاصطناعي. في النهاية، تهدف هذه المراجعة إلى تحديد الاتجاهات البحثية الحالية، وتسليط الضوء على الفجوات القائمة، وتحديد الاتجاهات المستقبلية لتطوير حلول ذكاء اصطناعي قابلة للتوسع والتفسير والترجمة سريريا لتقييم وإدارة اضطراب طيف التوحد.

منهجية المراجعة

أجريت هذه الدراسة كمراجعة نطاق لتقديم نظرة شاملة على أحدث أساليب التعلم الآلي (ML) والتعلم العميق (DL) المطبقة على تشخيص وتحليل اضطراب طيف التوحد (ASD). تم اختيار منهجية مراجعة النطاق لأن الأدبيات المتاحة متنوعة للغاية عبر وسائل البيانات، والأهداف السريرية، والأطر الخوارزمية، ومجموعات البيانات، واستراتيجيات التحقق، ومقاييس النتائج المبلغ عنها.

شملت الدراسات المراجعة مجموعة واسعة من مصادر البيانات، بما في ذلك التصوير العصبي، تخطيط كهربائي الدماغ (EEG)، تتبع العين، التقييمات السلوكية، إشارات الكلام، ملفات تعريف الميكروبيوم، ومجموعات البيانات متعددة الوسائط. نظرا لوجود اختلافات جوهرية بين مجموعات الدراسة، والمعايير المرجعية، ومقاييس الأداء، وتصاميم التجارب، اعتبر التحليل التلوي الكمي غير مناسب. بدلا من ذلك، كان هدف هذه المراجعة رسم خريطة للمشهد البحثي الحالي، وتحديد الاتجاهات المنهجية، ومقارنة الأساليب الحاسوبية، وتقييم جودة الأدلة، وتقييم الجاهزية السريرية لأنظمة التعلم الآلي والتعلم العميق لتشخيص ومراقبة اضطراب طيف التوحد.

تم تحليل الدراسات المدرجة وفقا لطريقة البيانات، ومنهجية التعلم الآلي، واستراتيجية التحقق، والأداء التشخيصي، وقابلية التفسير، وقابلية التوسع، وإمكانية الترجمة السريرية. تم إيلاء اهتمام خاص للمجالات الناشئة مثل التعلم متعدد الوسائط، والذكاء الاصطناعي القابل للتفسير، والتعلم الفيدرالي، والنمذجة القائمة على الرسوم البيانية، والأطر التشخيصية التي تحافظ على الخصوصية.

أسئلة البحث

تم توجيه هذه المراجعة النطاقية بثلاثة أسئلة شاملة. أولا، درس أي وسائل البيانات المتعلقة باضطراب طيف التوحد وأساليب التعلم الآلي/التعلم العميق (ML/DL) التي تم استخدامها بشكل أكثر شيوعا للفحص، والتشخيص، والتنبؤ بالشدة، ومراقبة التدخل. ثانيا، قيم كيف تم الإبلاغ عن أداء النموذج، واستراتيجيات التحقق، وقابلية التفسير، وقابلية التوسع عبر دراسات الذكاء الاصطناعي الحديثة لاضطراب طيف التوحد. ثالثا، بحث في القيود المنهجية، والمخاوف المتعلقة بجودة الأدلة، والحواجز أمام الترجمة السريرية التي لا تزال تؤثر على اعتماد أنظمة تعتمد على التعلم الآلي/التعلم العميق لتشخيص وإدارة اضطراب طيف التوحد. توفر هذه الأسئلة مجتمعة إطارا لتلخيص الاتجاهات البحثية الحالية، وتقييم نقاط القوة والضعف في الأساليب الحالية، وتحديد الأولويات لتطوير حلول الذكاء الاصطناعي القابلة للتطبيق سريريا لاضطراب طيف التوحد.

استراتيجية البحث ومصادر المعلومات

تم إجراء بحث في الأدبيات عبر IEEE Xplore وPubMed/MEDLINE وScopus وWeb of Science وScienceDirect وSpringerLink وGoogle Scholar. ركز البحث على دراسات نشرت بين عامي 2022 و2025 لالتقاط التطورات الحديثة في تعلم الآلة (ML)، والتعلم العميق (DL)، والتعلم الموحد، والشبكات العصبية البيانية، والاندماج متعدد الوسائط، والذكاء الاصطناعي القابل للتفسير (XAI) لتشخيص وتحليل اضطراب طيف التوحد (ASD).

جمعت استراتيجية البحث مصطلحات مرتبطة باضطراب طيف التوحد، ومنهجيات الذكاء الاصطناعي، وأهداف التشخيص، ووسائل البيانات. شمل البحث الأساسي المصطلحات: ("اضطراب طيف التوحد" أو اضطراب طيف التوحد أو التوحد) و("تعلم الآلي" أو "التعلم العميق" أو "الذكاء الاصطناعي" أو CNN أو GNN أو SVM أو "غابة عشوائية" أو "التعلم الموحد الاتحادي" أو "الذكاء الاصطناعي القابل للتفسير") و(التشخيص أو الفحص أو التصنيف أو التنبؤ أو الشدة أو التدخل) و(fMRI أو الرنين المغناطيسي أو تخطيط الدماغ أو "تتبع العين" أو الفيديو أو الميكروبيوم أو الصوت أو متعدد الوسائط). تم تعديل صياغة البحث حسب الحاجة لقواعد البيانات الفردية.

لتحسين تغطية الدراسة وتقليل خطر فقدان المنشورات ذات الصلة، تم فحص قوائم المراجع للمقالات المراجعة المؤهلة والدراسات البحثية الأولية يدويا بحثا إضافيا. تم اختيار المجموعة النهائية من الدراسات بناء على معايير الأهلية المحددة مسبقا الموضحة أدناه.

معايير الأهلية

تم اختيار الدراسات وفقا لمعايير الإدراج والاستبعاد المحددة مسبقا لضمان الصلة بتطبيقات التعلم الآلي والتعلم العميق الموجهة لاضطراب طيف التوحد، والجودة المنهجية، والتطبيق السريري. تلخص معايير الأهلية المستخدمة لاختيار الدراسة في الجدول 1.

إجراء الفحص

تم فحص عناوين وملخصات السجلات المسترجعة في البداية لتقييم صلتها باضطراب طيف التوحد (ASD)، ومنهجيات الذكاء الاصطناعي، والأهداف التشخيصية أو التحليلية. تمت مراجعة المقالات الكاملة لاحقا لتأكيد الأهلية واستخراج معلومات حول مجموعات الدراسة، ومصادر البيانات، والأساليب الحاسوبية، واستراتيجيات التحقق، ومقاييس النتائج المبلغ عنها. تم استبعاد السجلات المكررة والدراسات التي تحتوي على محتوى متداخل قبل التخليق النهائي. عندما استخدمت عدة دراسات نفس مجموعة البيانات (مثل ABIDE)، تم الاحتفاظ فقط بالدراسات ذات البنى النموذجية المميزة، أو تمثيلات الميزات، أو أطر التحقق، أو الأهداف السريرية لتجنب التكرار وضمان تقييم شامل للتنوع المنهجي.

استخراج البيانات وتركيبها

تم استخراج البيانات من كل دراسة مشمولة باستخدام نهج منظم. شملت المعلومات المستخرجة سنة المؤلف والنشر، وطريقة البيانات، ومجموعة البيانات أو المصدر، وحجم العينة عند توفرها، والسكان المستهدفين أو الفئة العمرية، والمهمة المتعلقة باضطراب طيف التوحد، أو نوع الخوارزمية أو النموذج، وطريقة استخراج الميزات، واستراتيجية التحقق، ومقاييس الأداء المبلغ عنها، ونهج قابلية التفسير، وحالة التحقق الخارجية، والقيود المذكورة، والتطبيق السريري. ثم تم تركيب الدراسات وفقا لطريقة البيانات، والفئة الخوارزمية، والغرض السريري، وتصميم التحقق، وجودة الأدلة بدلا من تصنيفها فقط بناء على الأداء المبلغ عنها.

تقييم الجودة وتقييم مخاطر التحيز

تم إجراء تقييم منهجي لتقييم التحيز المحتمل، وجودة الأدلة، والجاهزية السريرية. تم تقييم كل دراسة بناء على كفاية حجم العينة، وتوازن الفئات، والاعتماد على مجموعات بيانات مرجعية متكررة مثل ABIDE، وخطر تسرب البيانات بين مراحل المعالجة المسبقة والتحقق، ونوع التحقق المتقاطع أو التحقق الخارجي، وتقارير المعايرة، والعدالة الديموغرافية عبر العمر والجنس، وقابلية التفسير، وقابلية التكرار، وإمكانية النشر. تم تفسير الدراسات التي أبلغت عن دقة عالية جدا بحذر ما لم تكن مدعومة بحجم عينة كاف، واختبارات مستقلة، وإجراءات مكافحة التسرب، وطرق تحقق شفافة.

تقارير مقياس الأداء

شملت المقارنة المعدلة فقط المقاييس التي تم الإبلاغ عنها صراحة في الدراسات الأصلية. عندما لم يكن مقياس متاحا، كان يعلم ك NR، مما يدل على "غير مبلغ عنه"، بدلا من أن يكون مقدرا أو تقريبيا. تم تفسير المقارنات بين الدراسات بشكل نوعي لأن الدراسات المدرجة اختلفت بشكل كبير في حجم مجموعة البيانات، والهدف السريري، واستراتيجية التحقق، والمنهجية، والفئة العمرية، ومعيار المرجع. لذلك، لم تعامل قيم الدقة المبلغ عنها كمؤشرات قابلة للمقارنة مباشرة لتفوق النموذج. تميز الجداول المحدثة الأداء التنبؤي عن جودة الأدلة من خلال تضمين الفئة المستهدفة، حجم مجموعة البيانات، طريقة التحقق، حالة التحقق الخارجية، والقيود الرئيسية.