Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.
Reviewartikel
Deze review evalueert 50 recente studies waarin machine learning en deep learning worden toegepast op de diagnose autismespectrumstoornis (ASS). Multimodale benaderingen die neuroimaging, gedrags- en biologische data integreren, lieten verbeterde prestaties zien. Belangrijke uitdagingen zijn interpreteerbaarheid, schaalbaarheid en dataheterogeniteit. Toekomstige inspanningen moeten zich richten op verklaarbare, privacybehoudende en klinisch vertaalbare AI-systemen.
Autismespectrumstoornis (ASS) is een heterogene neuro-ontwikkelingsstoornis die wordt gekenmerkt door diverse gedrags-, cognitieve, sensorische en communicatieprofielen, waardoor vroege diagnose en gepersonaliseerde interventie uitdagend zijn. Recente ontwikkelingen in machine learning (ML) en deep learning (DL) hebben de ontwikkeling van computationele tools voor ASS-screening, classificatie, ernstbeoordeling en interventiemonitoring mogelijk gemaakt. Deze review synthetiseert bevindingen uit 50 recente studies die ML- en DL-technieken toepasten op ASS-gerelateerde datasets, waaronder elektro-encefalografie (EEG), oogtracking, gedragsvideo, microbioom, stemakoestieke, demografische en multimodale data. De review behandelt drie kernvragen: (i) welke datamodaliteiten en computationele benaderingen het meest worden gebruikt, (ii) hoe diagnostische prestaties worden geëvalueerd over verschillende studieontwerpen, en (iii) welke methodologische uitdagingen de klinische vertaling beperken. De literatuur is georganiseerd op basis van datamodaliteit, algoritmische benadering en klinische paraatheid. Onderzochte benaderingen omvatten conventionele ML-methoden, convolutionele neurale netwerken, grafneurale netwerken, hybride deep learning-architecturen, gefedereerd leren, verklaarbare kunstmatige intelligentie, topologische data-analyse en multimodale fusie. De bevindingen suggereren dat multimodale en grafgebaseerde benaderingen een meer uitgebreide weergave van ASS-fenotypes bieden dan single-modality methoden. Uitlegbaarheid en privacybehoudend leren zijn ook belangrijke overwegingen geworden voor klinische inzet. Veel gerapporteerde high-performance modellen zijn echter gebaseerd op kleine steekproefgroottes, herhaald gebruik van de ABIDE-dataset, klasse-onevenwicht, validatie op één locatie of beperkte externe tests, wat zorgen oproept over generaliseerbaarheid. Naast diagnostische nauwkeurigheid evalueert deze review modelinterpretatie, kalibratie, schaalbaarheid, validatiestrengheid en klinische toepasbaarheid. Over het geheel genomen benadrukt de analyse de noodzaak van gestandaardiseerde benchmarks, extern gevalideerde multimodale datasets, klinisch relevante evaluatiemaatstaven en besluitvormingssystemen die deskundige klinische beoordeling bij ASS-diagnose en -behandeling aanvullen in plaats van vervangen.
Autismespectrumstoornis (ASS) is een complexe neuroontwikkelingsstoornis die wordt gekenmerkt door beperkingen in sociale communicatie, beperkte interesses en repetitief gedrag. De heterogene aard van ASS en de overlap met andere neuro-ontwikkelingsstoornissen maken diagnose en klinische beoordeling bijzonder uitdagend. Traditionele diagnostische benaderingen zijn voornamelijk gebaseerd op gedragsobservaties en klinische evaluaties, wat kan bijdragen aan vertraagde diagnose en variabiliteit in klinische uitkomsten. Vroege en nauwkeurige identificatie van ASS is essentieel omdat tijdige interventie het cognitieve, sociale en adaptieve ....
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Autismespectrumstoornis (ASS) is een heterogene neuroontwikkelingsstoornis die wordt gekenmerkt door beperkingen in sociale communicatie en beperkte of repetitieve gedragspatronen1. Recente ontwikkelingen in machine learning (ML) en deep learning (DL) hebben de analyse mogelijk gemaakt van diverse ASD-gerelateerde datamodaliteiten, waaronder neuroimaging, gedragsbeoordelingen, fysiologische signalen en biologische markers. De volgende secties synthetiseren belangrijke ontwikkelingen in ML/DL-gebaseerd ASD-onderzoek volgens datamodaliteit, methodologische benadering en....
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Deze review toont de groeiende rol van machine learning (ML) en deep learning (DL) aan bij de diagnose en analyse van autismespectrumstoornis (ASS). In de beoordeelde studies werden computationele benaderingen toegepast op diverse datamodaliteiten, waaronder functionele magnetische resonantiebeeldvorming (fMRI), elektro-encefalografie (EEG), gedragsvideo, darmmicrobioomprofielen en stem-akoestische signalen. Traditionele ML-classifiers, met name ondersteuning voor vectormachines (SVM's) .......
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
De auteurs geven aan dat zij geen belangenconflicten hebben met betrekking tot dit werk.
De auteurs willen VIT-AP University bedanken voor het bieden van de academische omgeving en middelen die dit werk ondersteunden. De auteurs waarderen ook de waardevolle bijdragen van onderzoekers wier studies in deze review zijn opgenomen. Dit onderzoek kreeg geen externe financiering.
....Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.