Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł przeglądowy
Niniejsza recenzja ocenia 50 ostatnich badań stosujących uczenie maszynowe i głębokie uczenie do diagnozy zaburzeń ze spektrum autyzmu (ASD). Podejścia multimodalne integrujące dane z obrazowania neurologicznego, behawioralne i biologiczne wykazały poprawę wydajności. Kluczowe wyzwania obejmują interpretowalność, skalowalność i heterogeniczność danych. Przyszłe wysiłki powinny skupiać się na wyjaśnialnych, chroniących prywatność i klinicznie przekładalnych systemach sztucznej inteligencji.
Zaburzenie ze spektrum autyzmu (ASD) to niejednorodny neurorozwojowy stan charakteryzujący się różnorodnymi profilami zachowań, poznawczymi, sensorycznymi i komunikacyjnymi, co sprawia, że wczesna diagnoza i spersonalizowane interwencje są wyzwaniem. Ostatnie osiągnięcia w dziedzinie uczenia maszynowego (ML) i głębokiego uczenia się (DL) umożliwiły opracowanie narzędzi komputerowych do przesiewowego badania ASD, klasyfikacji, oceny ciężkości i monitorowania interwencji. Niniejsza recenzja syntetyzuje wyniki 50 ostatnich badań, które zastosowały techniki ML i DL do zbiorów danych związanych z ASD, w tym elektroencefalografii (EEG), śledzenia ruchów oczu, wideo zachowań, mikrobiomu, akustyki głosu, danych demograficznych i multimodalnych. Recenzja odpowiada na trzy kluczowe pytania: (i) które modalności danych i podejścia komputerowe są najczęściej używane, (ii) jak wydajność diagnostyczna jest oceniana w różnych projektach badawczych, oraz (iii) jakie wyzwania metodologiczne ograniczają translację kliniczna. Literatura jest zorganizowana według modalności danych, podejścia algorytmicznego i gotowości klinicznej. Badane podejścia obejmują konwencjonalne metody ML, konwolucyjne sieci neuronowe, grafy neuronowe, hybrydowe architektury głębokiego uczenia, uczenie się rozproszone, wyjaśnialną sztuczną inteligencję, topologijną analizę danych i fuzję multimodalną. Wyniki sugerują, że podejścia multimodalne i oparte na grafie zapewniają bardziej kompleksową reprezentację fenotipow ASD niż metody jednomodalnościowe. Wyjaśnialność i ochrona prywatności w uczeniu się stały się również ważnymi zagadnieniami do rozważenia przy wdrażaniu klinicznym. Jednak wiele zgłaszanych modeli o wysokiej wydajności opiera się na małych rozmiarach prób, wielokrotnym użyciu zbioru danych ABIDE, braku równowagi klas, walidacji na pojedynczym etapie lub ograniczonym testowaniu zewnętrznym, co budzi obawy dotyczące ogólności. Poza dokładnością diagnostyczną, niniejsza recenzja ocenia interpretowalność modelu, kalibrację, skalowalność, rygor walidacji i przydatność kliniczną. Ogólnie rzecz biorąc, analiza podkreśla potrzebę standaryzowanych punktów odniesienia, zewnętrznie zweryfikowanych multimodalnych zestawów danych, klinicznie istotnych metryk oceny i systemów wspomagających decyzje, które uzupełniają, a nie zastępują ekspertyzę kliniczną w diagnostyce i leczeniu ASD.
Zaburzenie ze spektrum autyzmu (ASD) jest złożonym stanem neurorozwojowym charakteryzującym się upośledzeniem komunikacji społecznej, ograniczonymi zainteresowaniami i powtarzalnymi zachowaniami. Heterogeniczna natura ASD oraz jego zaburzenia z innymi zaburzeniami neurorozwojowymi sprawiają, że diagnostyka i ocena kliniczno-diagnostyczna są szczególnie wymagające. Tradycyjne podejścia diagnostyczne opierają się głównie na obserwacjach behawioralnych i ocenach klinicznych, co może prowadzić do opóźnień w diagnozowaniu i zmienności wyników klinicznych. Wczesne i dokładne zidentyfikowanie ASD jest niezwykle istotne, ponieważ swoje czasowe wdrożenie wdrożenie zostało poka....
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Autyzm (ASD) jest nierównorodnym stanem neurorozwojowym charakteryzującym się upośledzeniem komunikacji społecznej oraz ograniczonymi lub powtarzającymi się wzorcami zachowań1. Ostatnie osiągnięcia w dziedzinie uczenia maszynowego (ML) i głębokiego uczenia (DL) umożliwiły analizę różnorodnych danych związanych z ASD, w tym neuroobrazowania, ocen behawioralnych, sygnałów fizjologicznych i markerów biologicznych. Następujące sekcje syntetyzują kluczowe osiągnięcia w badaniach nad ASD opartych na ML/DL według modalności danych, podejścia metodologicznego i zastosowania klinicznego1....
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
To review demonstrates the expanding role of machine learning (ML) and deep learning (DL) in autism spectrum disorder (ASD) diagnosis and analysis. Across the reviewed studies, computational approaches were applied to diverse data modalities, including functional magnetic resonance imaging (fMRI), electroencephalography (EEG), behavioral video, gut microbiome profiles, and voice-acoustic signals. Traditional ML classifiers, particularly support vector machines (SVMs) and random forests (RFs), remained widely used because.......
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Autorzy deklarują, że nie mają konfliktów interesów związanych z tą pracą.
Autorzy chcieliby podziękować VIT-AP University za zapewnienie środowiska akademickiego i zasobów, które wsparły tę pracę. Autorzy doceniają również cenny wkład badaczy, których badania zostały włączone do tej recenzji. To badanie nie otrzymało żadnego zewnętrznego finansowania.
....Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.