Derleme makalesi
Bu derleme, otizm spektrum bozukluğu (ASD) tanısına makine öğrenimi ve derin öğrenmeyi uygulayan 50 yakın tarihli çalışmayı değerlendirmektedir. Nörogörüntüleme, davranışsal ve biyolojik verileri entegre eden çoklu modal yaklaşımlar performansın arttığını göstermiştir. Temel zorluklar arasında yorumlanabilirlik, ölçeklenebilirlik ve veri heterojenliği yer alır. Gelecekteki çabalar, açıklanabilir, gizliliği koruyan ve klinik olarak çevrilebilir yapay zeka sistemlerine odaklanmalıdır.
Otizm spektrum bozukluğu (ASD), çeşitli davranışsal, bilişsel, duyusal ve iletişim profilleriyle karakterize edilen heterojen bir nörogelişimsel durumdur ve erken tanı ile kişiselleştirilmiş müdahaleyi zorlaştırır. Makine öğrenimi (ML) ve derin öğrenme (DL) alanlarındaki son gelişmeler, ASD taraması, sınıflandırma, şiddet değerlendirmesi ve müdahale izleme için hesaplamalı araçların geliştirilmesini mümkün kıldı. Bu derleme, elektroensefalografi (EEG), göz izleme, davranışsal video, mikrobiyom, ses akustik, demografik ve multimodal veriler dahil olmak üzere ASD ile ilgili veri setlerine ML ve DL tekniklerini uygulayan 50 son çalışmanın bulgularını sentezlemektedir. İnceleme üç temel soruyu ele alıyor: (i) hangi veri modaliteleri ve hesaplamalı yaklaşımlar en sık kullanılıyor, (ii) farklı çalışma tasarımlarında tanı performansının nasıl değerlendirildiği ve (iii) klinik çeviriyi hangi metodolojik zorluklar sınırlandırıyor. Literatür, veri modalitesi, algoritmik yaklaşım ve klinik hazırlık düzeyine göre düzenlenmiştir. İncelenen yaklaşımlar arasında geleneksel makine öğrenimi yöntemleri, konvolüsyon sinir ağları, grafik sinir ağları, hibrit derin öğrenme mimarileri, federe öğrenme, açıklanabilir yapay zeka, topolojik veri analizi ve çoklu modlu füzyon yer alır. Bulgular, çoklu modal ve grafik tabanlı yaklaşımların, tek modaliteli yöntemlere göre ASD fenotiplerinin daha kapsamlı bir temsilini sağladığını göstermektedir. Açıklanabilirlik ve gizliliği koruyan öğrenme, klinik uygulama için önemli unsurlar olarak da ortaya çıkmıştır. Ancak, bildirilen birçok yüksek performanslı model, küçük örneklem büyüklükleri, ABIDE veri setinin tekrar kullanımı, sınıf dengesizliği, tek site doğrulaması veya sınırlı harici testlere dayanıyor ve genellenebilirlik konusunda endişeler yaratıyor. Tanı doğruluğunun ötesinde, bu inceleme model yorumlanabilirliğini, kalibrasyonu, ölçeklenebilirliğini, doğrulama titizliğini ve klinik uygulanabilirliğini değerlendirmektedir. Genel olarak, analiz standart kıyaslamalara, dışsal olarak doğrulanmış çok modlu veri setlerine, klinik açıdan ilgili değerlendirme metriklerine ve ASD tanı ve yönetiminde uzman klinik değerlendirmeyi yerine yerine koymaktan çok tamamlayıcı karar destek sistemlerine olan ihtiyacı vurgulamaktadır.
Otizm spektrum bozukluğu (ASD), sosyal iletişimdeki bozukluklar, sınırlı ilgi alanları ve tekrarlayan davranışlarla karakterize edilen karmaşık bir nörogelişimsel durumdur. ASD'nin heterojen doğası ve diğer nörogelişimsel bozukluklarla örtüşmesi, tanı ve klinik değerlendirmeyi özellikle zorlaştırır. Geleneksel tanı yaklaşımları öncelikle davranışsal gözlemler ve klinik değerlendirmelere dayanır; bu da gecikmiş teşhise ve klinik sonuçlarda değişkenliğe katkıda bulunabilir. ASD'nin erken ve doğru tanımlanması önemlidir çünkü zamanında müdahalenin bilişsel, sosyal ve adaptif işlevselliği önemli ölçüde iyileştirdiği gösterilmiştir. Yapay zeka (AI) ile özellikle makine öğrenimi (ML) ve derin öğrenme (DL) alanındaki son gelişmeler, ASD tanı ve analizine nesnel ve veri odaklı yaklaşımlar geliştirmefırsatlarını genişletmiştir 1,2,3.
ML ve DL teknikleri, fonksiyonel manyetik rezonans görüntüleme (fMRI), elektroensefalografi (EEG), göz izleme, davranışsal değerlendirmeler, konuşma sinyalleri ve diğer biyolojik belirteçlerden türetilen yüksek boyutlu veri setlerinin analizini mümkün kılar. Bu yaklaşımlar, ASD taraması, sınıflandırma, şiddet tahmini ve müdahale izleme için önemli potansiyel göstermiştir. Son çalışmalar, nörogörüntüleme tabanlı modeller, davranışsal analitikler, çok modlu öğrenme çerçeveleri ve ASD tespiti ve değerlendirmesi için gizliliği koruyan mimariler kullanılarak umut verici sonuçlar verdiğinibildirdi 4,5,6. Ancak, hızla büyüyen literatür yelpazesi hâlâ oldukça parçalı kalıyor çünkü birçok çalışma bireysel veri modalitelerine, belirli algoritmalara veya izole klinik hedeflere odaklanıyor ve bu da metodolojilerin ve bulguların doğrudan karşılaştırılmasını zorlaştırıyor.
Önemli ilerlemelere rağmen, yapay zeka tabanlı ASD tanı sistemlerinin klinik çevirisini sınırlamaya devam eden bazı zorluklar devam etmektedir. Yayınlanmış birçok model, nispeten küçük veri setleri, tek site kohortları veya sınırlı doğrulama prosedürleri kullanılarak geliştirilir ve genellenebilirlik ile gerçek dünyada uygulanabilirlik konusunda endişeler doğurur. Ayrıca, yorumlanabilirlik, hesaplamalı verimlilik, ölçeklenebilirlik, adalet ve veri gizliliği ile ilgili konular, klinik benimseme önündeki önemli engeller olmaya devam etmektedir. Mevcut incelemeler genellikle belirli metodolojilere veya bireysel veri kaynaklarına odaklanmış ve veri modalitesi, algoritmik tasarım, doğrulama titizliği ve klinik hazırlık arasındaki daha geniş ilişkileri göz ardı etmiştir.
Bu boşlukları gidermek için, bu kapsam derlemesi, makine öğrenimi (ML) ve derin öğrenme (DL) tekniklerini otizm spektrum bozukluğu (ASD) tanı ve analizine uygulayan 50 yakın tarihli çalışmadan elde edilen kanıtları sentezlemektedir. İncelenen literatür, fonksiyonel ve yapısal manyetik rezonans görüntüleme (fMRI/sMRI), elektroensefalografi (EEG), davranışsal ve bakış analizi, fizyolojik sinyal işleme, konuşma ve ses-akustik değerlendirme, mikrobiyom tabanlı biyobelirteçler ve çok modal öğrenme çerçeveleri içeren nörogörüntüleme tabanlı yöntemler dahil olmak üzere geniş bir hesaplama yaklaşımları ve veri modalitelerini kapsamaktadır. Son çalışmalar, destek vektör makineleri ve rastgele ormanlar gibi geleneksel makine öğrenimi yaklaşımlarını, ayrıca konvolüsyonel sinir ağları, grafik sinir ağları, transfer öğrenme, dikkat tabanlı modeller, federasyon öğrenme çerçeveleri, açıklanabilir yapay zeka ve topolojik veri analizyaklaşımları 1,2,3,4,5,6 gibi gelişmiş derin öğrenme mimarileri incelemiştir ,7,8,9,10,11,12,13,14,15,16.
İncelenen çalışmalar, ASD ile ilgili veri kaynaklarının ve analitik hedeflerin artan çeşitliliğini de göstermektedir. Araştırmalar, nöroanatomik heterojenlik, fonksiyonel bağlantı kalıpları, davranışsal değerlendirme, sanal gerçeklik tabanlı tarama, fizyolojik izleme, EEG analizi, elektroretinogram tabanlı sınıflandırma, mikrobiyom profilleme, metabolomik, konuşma akustiği ve teşhis, şiddet tahmini, müdahale izleme ve alt tip tanımlama için çoklu modal veri füzyonunuincelemiştir 17,18,19,20, 21,22,23,24,25,26,27,28,29,30,31,32,33,34,35 . Bu gelişmeler, tek modaliteli tanı modellerinden, ASD'nin heterojen klinik belirtilerini yakalayabilen bütünleşik çerçevelere geçişi yansıtmaktadır.
Tanı performansını özetlemenin ötesinde, bu inceleme veri modalitesi, algoritmik tasarım, doğrulama titizliği, yorumlanabilirlik, ölçeklenebilirlik ve klinik uygulama arasındaki ilişkiyi değerlendirmektedir. Özellikle federasyon öğrenme, grafik tabanlı modelleme, çok modlu birleşme, açıklanabilir yapay zeka, gizliliği koruyan öğrenme çerçeveleri, genişletilmiş gerçeklik teknolojileri ve biyomarker odaklı hassas teşhisgibi yeni yaklaşımlara özel önem verilmektedir 36,37,38,39,40,41,42,43,44, 45,46,47,48,49,50. Kanıtları modaliteler, algoritmalar ve doğrulama stratejileri arasında entegre ederek, bu inceleme mevcut ASD tanı teknolojilerinin yapılandırılmış bir kıyaslamasını sağlarken, metodolojik güçleri, sınırlamaları ve kanıt kalitesi konularını vurgular. Analiz, bildirilen doğruluğun ötesine geçerek yorumlanabilirlik, dış doğrulama, klinik hazırlık ve uygulama fizibilitesini kapsar ve böylece yapay zeka odaklı ASD tanı sistemlerinin translasyonel potansiyelini değerlendirmek için bir çerçeve sunar. Sonuç olarak, bu inceleme mevcut araştırma eğilimlerini belirlemeyi, mevcut eksiklikleri vurgulamayı ve ASD değerlendirmesi ve yönetimi için ölçeklenebilir, yorumlanabilir ve klinik olarak çevrilebilir yapay zeka çözümlerinin geliştirilmesi için gelecekteki yönleri belirlemeyi amaçlamaktadır.
İnceleme metodolojisi
Bu çalışma, otizm spektrum bozukluğu (ASD) tanı ve analizine uygulanan son makine öğrenimi (ML) ve derin öğrenme (DL) yaklaşımlarının kapsamlı bir genel bakışını sunmak amacıyla kapsam incelemesi olarak gerçekleştirilmiştir. Mevcut literatür, veri modaliteleri, klinik hedefler, algoritmik çerçeveler, veri setleri, doğrulama stratejileri ve raporlanan sonuç ölçütleri arasında oldukça heterojen olduğu için kapsam ölçümleme metodolojisi seçildi.
İncelen çalışmalar, nörogörüntüleme, elektroensefalografi (EEG), göz takibi, davranışsal değerlendirmeler, konuşma sinyalleri, mikrobiyom profilleri ve çoklu modal veri setleri dahil olmak üzere geniş bir veri yelpazesini kapsıyordu. Çalışma popülasyonları, referans standartları, performans metrikleri ve deneysel tasarımlar arasında önemli farklılıklar olduğundan, nicel bir meta-analiz uygun bulunmadı. Bunun yerine, bu incelemenin amacı mevcut araştırma ortamını haritalamak, metodolojik eğilimleri belirlemek, hesaplamalı yaklaşımları karşılaştırmak, kanıtların kalitesini değerlendirmek ve ML ile DL sistemlerinin ASB tanısı ve izleme için klinik hazırlığını değerlendirmekti.
Dahil edilen çalışmalar, veri modalitesi, makine öğrenimi metodolojisi, doğrulama stratejisi, tanı performansı, yorumlanabilirlik, ölçeklenebilirlik ve klinik çeviri potansiyeline göre analiz edildi. Özellikle çok modlu öğrenme, açıklanabilir yapay zeka, federasyon öğrenme, grafik tabanlı modelleme ve gizliliği koruyan tanı çerçeveleri gibi yeni alanlara özel önem verildi.
Araştırma soruları
Bu kapsam incelemesi, üç genel soru tarafından yönlendirildi. İlk olarak, tarama, teşhis, şiddet tahmini ve müdahale izleme için en sık hangi ASD ile ilgili veri yöntemleri ve makine öğrenimi/derin öğrenme (ML/DL) yaklaşımlarının kullanıldığını inceledi. İkinci olarak, model performansının, doğrulama stratejilerinin, yorumlanabilirliğin ve ölçeklenebilirliğin son ASD yapay zeka çalışmalarında nasıl raporlandığını değerlendirdi. Üçüncü olarak, ASD tanı ve yönetimi için ML/DL tabanlı sistemlerin benimsenmesini etkilemeye devam eden metodolojik sınırlamaları, kanıt kalitesi endişeleri ve klinik çevirideki engelleri araştırdı. Bu sorular birlikte, mevcut araştırma eğilimlerini sentezlemek, mevcut yaklaşımların güçlü ve zayıf yönlerini değerlendirmek ve ASD için klinik olarak uygulanabilir yapay zeka çözümlerinin gelecekteki geliştirilmesi için öncelikleri belirlemek için bir çerçeve sağlar.
Arama stratejisi ve bilgi kaynakları
IEEE Xplore, PubMed/MEDLINE, Scopus, Web of Science, ScienceDirect, SpringerLink ve Google Scholar genelinde bir literatür araması yapıldı. Araştırma, 2022 ile 2025 yılları arasında yayımlanan çalışmalara odaklandı ve makine öğrenimi (ML), derin öğrenme (DL), federe öğrenme, grafik sinir ağları, çoklu modal füzyon ve otizm spektrum bozukluğu (ASD) tanı ve analizi için açıklanabilir yapay zeka (XAI) alanlarındaki son gelişmeleri ele geçirdi.
Arama stratejisi, ASD, yapay zeka metodolojileri, tanı hedefleri ve veri modaliteleriyle ilgili terimleri birleştirdi. Ana arama sorgusu şu terimleri içeriyordu: ("otizm spektrum bozukluğu" VEYA ASD YA DA otizm) VE ("makine öğrenimi" YA da "derin öğrenme" YA da "yapay zeka" YA CNN YA GNN YA SVM YA "rastgele orman" YA YA "federasyon öğrenme" YA da "açıklanabilir yapay zeka") VE (tanı VEYA tarama YA da sınıflandırma YA da tahmin YA da şiddet YA da müdahale) VE (FMRI YA MRI YA EEG YA "göz takibi" YA VIDEO YA MİKROBIYOM YA SES YA MULTIMODAL). Arama sözdizimi, bireysel veritabanları için gerektiğinde uyarlandı.
Çalışma kapsamını artırmak ve ilgili yayınların kaçırılma riskini azaltmak için, uygun inceleme makalelerinin ve birincil araştırma çalışmalarının referans listeleri ek kayıtlar için manuel olarak tarandı. Son çalışma seti, aşağıda açıklanan önceden tanımlanmış uygunluk kriterlerine göre seçildi.
Uygunluk kriterleri
Çalışmalar, ASD odaklı makine öğrenimi ve derin öğrenme uygulamaları, metodolojik kalite ve klinik uygulanabilirlik açısından önceden tanımlanmış dahil etme ve dışlama kriterlerine göre seçildi. Çalışma seçimi için kullanılan uygunluk kriterleri Tablo 1'de özetlenmiştir.
Tarama prosedürü
Alınan kayıtların başlıkları ve özetleri, otizm spektrum bozukluğu (ASD), yapay zeka metodolojileri ve tanı veya analitik hedeflerle ilgisi değerlendirmek için başlangıçta tarandı. Tam metinli makaleler daha sonra uygunluğu doğrulamak ve çalışma popülasyonları, veri kaynakları, hesaplama yaklaşımları, doğrulama stratejileri ve raporlanan sonuç ölçütleri hakkında bilgi çıkarmak için incelendi. Yinelenmiş kayıtlar ve örtüşen içeriklere sahip çalışmalar nihai sentezden önce hariç tutuldu. Aynı veri seti (örneğin, ABIDE) birden fazla çalışma kullanıldığında, yalnızca farklı model mimarileri, özellik temsilleri, doğrulama çerçeveleri veya klinik hedeflere sahip çalışmalar tekrarı önlemek ve metodolojik çeşitliliğin kapsamlı bir değerlendirmesini sağlamak için tutuldu.
Veri çıkarımı ve sentezi
Dahil edilen her çalışmadan veriler yapılandırılmış bir yaklaşımla çıkarıldı. Çıkarılan bilgiler arasında yazar ve yayın yılı, veri modalitesi, veri seti veya kaynak, mevcut olduğunda örneklem büyüklüğü, hedef popülasyon veya yaş grubu, ASD ile ilgili görev, algoritma veya model türü, özellik çıkarma yöntemi, doğrulama stratejisi, bildirilen performans metrikleri, yorumlanabilirlik yaklaşımı, dış doğrulama durumu, belirtilen sınırlamalar ve klinik uygulanabilirlik yer alıyordu. Çalışmalar, yalnızca bildirilen performansa göre sıralanmamak yerine, veri modalitesi, algoritmik kategori, klinik amaç, doğrulama tasarımı ve kanıt kalitesine göre sentezlendi.
Kalite değerlendirmesi ve önyargı riski değerlendirmesi
Potansiyel önyargı, kanıt kalitesi ve klinik hazırlık değerlendirmesi için metodolojik bir değerlendirme yapıldı. Her çalışma, örneklem büyüklüğü yeterliliği, sınıf dengesi, ABIDE gibi tekrarlanan kıyaslama veri setlerine güvenme, ön işleme ve doğrulama aşamaları arasında veri sızıntısı riski, çapraz doğrulama veya dış doğrulama türü, kalibrasyon raporlaması, yaş ve cinsiyet genelinde demografik adalet, yorumlanabilirlik, tekrarlanabilirlik ve dağıtım uygulanabilirliği temelinde değerlendirildi. Çok yüksek doğruluk raporu veren çalışmalar, yeterli örneklem büyüklüğü, bağımsız testler, sızıntı-kontrol prosedürleri ve şeffaf doğrulama yöntemleri tarafından desteklenmedikçe temkinli yorumlanmıştır.
Performans metrik raporlaması
Revize edilen karşılaştırma yalnızca orijinal çalışmalarda açıkça bildirilen metrikleri içeriyordu. Bir metrik mevcut olmadığında, tahmin veya yaklaşık olarak değil, "bildirilmemiş" anlamına gelen NR olarak işaretleniyordu. Çapraz çalışmalar niteliksel olarak yorumlandı çünkü dahil edilen çalışmalar veri seti büyüklüğü, klinik hedef, doğrulama stratejisi, metodoloji, yaş grubu ve referans standardı açısından önemli ölçüde farklılık gösteriyordu. Bu nedenle, bildirilen doğruluk değerleri doğrudan karşılaştırılabilir model üstünlüğü göstergeleri olarak ele alınmadı. Güncellenmiş tablolar, hedef nüfus, veri seti büyüklüğü, doğrulama yöntemi, dış doğrulama durumu ve temel sınırlamaları içererek öngörücü performansı kanıt kalitesinden ayırır.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Otizm spektrum bozukluğu (ASD), sosyal iletişimdeki bozukluklar ve kısıtlı veya tekrarlayan davranış kalıplarıyla karakterize edilen heterojen bir nörogelişimseldurumdur 1. Makine öğrenimi (ML) ve derin öğrenme (DL) alanlarındaki son gelişmeler, nörogörüntüleme, davranışsal değerlendirmeler, fizyolojik sinyaller ve biyolojik belirteçler dahil olmak üzere çeşitli ASD ile ilgili veri modalitelerinin analizini mümkün kıldı. Aşağıdaki bölümler, veri modalitesi, metodolojik yaklaşım ve klinik uygulamaya göre ML/DL tabanlı ASD araştırmalarındaki temel gelişmelerisentezler. 1.
Nörogörüntüleme tabanlı yaklaşımlar
Fonksiyonel manyetik rezonans görüntüleme (fMRI) ve elektroensefalografi (EEG), makine öğrenimi (ML) ve derin öğrenme (DL) yaklaşımları kullanılarak ASD sınıflandırması için en yaygın kullanılan yöntemler arasındadır. Gupta ve ark.1 , ABIDE-1 veri setinden fMRI verilerini sınıflandırmak için kuantize edilmiş konvolüsyon sinir ağı (Q-CNN) modeli geliştirerek %98 doğruluk elde etti. Çalışma, özellik çıkarımı için teğet alan gömülmesi ve veri gizliliğini korumak için entegre federasyon öğrenme (FL) kullanarak, gerçek dünya uygulamaları için hafif ve gizliliği koruyan tanı çerçevelerinin potansiyelini gösterdi. Benzer şekilde, Zhao ve ark.4, birden fazla beyin bölgesi arasındaki dinamik etkileşimleri yakalayan ve %86,2 doğruluk sağlayan küme tabanlı yüksek dereceli fonksiyonel bağlantı ağı (Ho-FCN) çerçevesi tanıttı.
Açıklanabilirlik, nörogörüntüleme tabanlı tanı modellerinin klinik benimsenmesi için önemli bir faktör olarak ortaya çıkmıştır. Jung ve ark.10 , beyin bölgeleri arasında yüksek dereceli fonksiyonel ilişkileri belirleyen ve geleneksel düşük dereceli fonksiyonel bağlantı modellerini geride bırakan açıklanabilirlik yönlendirilen ilgi alanı (ROI) seçim çerçevesi sunmuştur. Buna ek olarak, Han ve ark.9, üst üste yığılmış denoizasyon otomatik kodlayıcıları kullanarak EEG ve göz izleme (ET) verilerini birleştiren çok modlu bir çerçeveyi araştırmıştır. Tamamlayıcı nörofizyolojik ve davranışsal bilgileri entegre ederek, önerilen yaklaşım tek modaliteli yöntemlere kıyasla daha iyi tanı performansı sağlamıştır.
Davranışsal ve bakış analizi
Davranışsal veriler, özellikle göz hareketleri ve yüz ifadeleri desenleri, ASD ile ilgili özelliklerin nesnel göstergeleri olarak geniş çapta araştırılmıştır. Artiran ve ark.3 , simüle edilen iş görüşmeleri sırasında bakış davranışını değerlendirmek için sanal gerçeklik (VR) tabanlı bir değerlendirme sistemi geliştirmiştir. Gelişmiş sinyal işleme ve kümeleme teknikleri kullanılarak, çalışma nörotipik ve nöroçeşitli bireyler arasında bakışın sosyal modülasyonuna dair içgörüler sağladı. Benzer şekilde, Zhang ve ark.5 , Otizm Tanısal Gözlem Programı (ADOS) röportaj videolarından ASD özelliklerini sınıflandırmak için yüz dinamikleri ve az deneme teknikleri kullanarak %91,72 doğruluk elde etti.
Erken tarama yaklaşımları da ASD tanımlaması için önemli potansiyel göstermiştir. Liu ve ark.7 , küçük çocuklar için görme temelli Talimatlara Yanıt (RTI) protokolünü doğruladı ve klinik tanılarla %95 aynı fikirde bulundu. Bu çalışmalar toplu olarak, makine öğrenimi tabanlı davranış analizinin ASD tarama ve değerlendirmesinin ölçeklenebilirliğini, nesnelliğini ve otomasyonunu artırma potansiyelini vurguluyor.
Multimodal ve hibrit yöntemler
Heterojen veri modalitelerinin entegrasyonu, ASD sınıflandırma modellerinin sağlamlığını ve genellenebilirliğini artırır. Han ve ark.9 , EEG ve göz izleme (ET) verilerini birleştiren multimodal bir çerçeve geliştirerek, tamamlayıcı nörofizyolojik ve davranışsal bilgilerden yararlanarak tanı performansının arttığını göstermiştir. Benzer şekilde, Xiao ve ark.14 , ASD ile ilişkili çok katmanlı akı özelliklerini çıkarmak için yapısal manyetik rezonans görüntüleme (MR) kullanmıştır. Onların marj-maksimize edilmiş norm-karışık temsil öğrenme çerçevesi, veri heterojenliği ve yüksek boyutlu özellik uzaylarıyla ilgili zorlukları ele alarak 0.907 eğri altında (AUC) bir alan elde etti.
Biyolojik ve çevresel bilgileri entegre eden hibrit yaklaşımlar da ASD teşhisi için umut vadeden stratejiler olarak ortaya çıkmıştır. Peralta-Marzal ve ark.24 , özyinelemeli topluluk özellik seçimi (REFS) kullanarak bağırsak mikrobiyom profillerini analiz ederek ASD ile ilişkili bakteriyel taksonları tespit etti ve 0.816 AUC elde etti. Bu çalışmalar topluca, çok modlu ve hibrit çerçevelerin tanı doğruluğunu artırma potansiyelini, yalnızca geleneksel nörogörüntüleme verilerinin ötesinde tamamlayıcı bilgi kaynaklarını entegre ederek ortaya koymaktadır.
Hesaplamalı yenilikler
Birçok çalışma, ASD tanı modellerinin hesaplama verimliliğini, ölçeklenebilirliğini ve dayanıklılığını artırmaya odaklanmıştır. Sravani ve Kuppusamy12 , Dipper-Throated Particle Swarm Optimizasyonu (DTPSO) algoritmasıyla entegre edilmiş optimize edilmiş derin konvolüsyon sinir ağı (DCNN) geliştirerek %95,9 doğruluk elde ettiler. Önerilen çerçeve, özellik optimizasyonu ve sınıflandırma performansını artırarak, ASD tespiti için hibrit optimizasyon tekniklerinin potansiyelini gösterdi.
Ayrıca, gizlilik koruyucu ve kaynak verimli tanı sistemlerinin geliştirilmesine yönelik çabalar da yöneltildi. Farooq ve ark.20 , ASD tespiti için federasyonel öğrenme (FL) uygulamış ve çocuklarda %98, yetişkinlerde %81 doğruluk bildirmiştir. Doğrudan veri paylaşımı olmadan merkeziyetsiz model eğitimini mümkün kılarak, bu yaklaşım kaynak kısıtlı ve gizlilik açısından hassas ortamlarda yapay zeka tabanlı ASD tanı sistemlerinin uygulanabilirliğini gösterdi.
Gelişen teknolojiler
Giyilebilir cihazlar, yardımcı sistemler ve sürükleyici sanal ortamlar gibi yeni teknolojiler, ASD değerlendirme ve müdahale kapsamını genişletmiştir. Jayanthi ve ark.23, ASD'li bireylerde stres seviyelerini değerlendirmek için fizyolojik sensör verilerini kullanan makine öğrenimi tabanlı bir izleme sistemi önerdi ve giyilebilir teknolojilerin ruh sağlığı izleme ve kişiselleştirilmiş bakımı destekleme potansiyelini vurguladı. Benzer şekilde, Robles ve ark.6 , ASD taraması ve sınıflandırması için sanal gerçeklik (VR) tabanlı bir platform geliştirerek, davranışsal değerlendirme ve tanı desteği için sürükleyici ortamların değerini göstermiştir.
Bu gelişmelere rağmen, yapay zeka tabanlı ASD tanı sistemlerinin yaygın klinik benimsenmesini sınırlamaya devam eden çeşitli zorluklar devam etmektedir. Tablo 2'de özetlendiği üzere, veri heterojenliği, model genellenebilirliği ve yorumlanabilirlikle ilgili konular önemli endişeler olarak kalmaktadır. Bu sınırlamaları ele almak için Kunda ve ark.11 , büyük çoklu siteli veri setlerinin önemini vurgularken, Fu ve ark.17ASD'nin gelişimsel heterojenliğini daha iyi yakalamak için yaşa özgü alt tipleme yaklaşımları önermiştir. Ayrıca, ML tabanlı tanı araçlarının klinik uygulamaya başarılı bir şekilde aktarılması, standart doğrulama protokolleri, şeffaf raporlama çerçeveleri ve etik, gizlilik ve düzenleyici gerekliliklerin dikkatli değerlendirilmesini gerektirecektir.
Davranışsal ve fizyolojik sinyal analizi
Davranışsal ve fizyolojik sinyal analizleri, ASD tanısı ve taraması için umut vadeden yaklaşımlar olarak ortaya çıkmıştır. Jin ve ark.27 , ev videosu tabanlı makine öğrenimi tekniklerinin meta-analizini yaptı ve sırasıyla 0.90 ve 0.87 olarak birleştirilmiş duyarlılık ve özgüllük değerlerini bildirdi; böylece erken ASD tespiti için ölçeklenebilir ve erişilebilir yaklaşımların potansiyelini vurguladı. Başka bir çalışmada, Manjur ve ark.29 , ASD, dikkat eksikliği/hiperaktivite bozukluğu (DEHB) ve genellikle gelişmekte olan bireyleri ayırt etmek için elektroretinogram sinyalleri kullanarak, nörogelişimsel bozukluk sınıflandırmasında fizyolojik biyobelirteçlerin faydasını göstermiştir.
EEG tabanlı tanı yaklaşımları da umut verici sonuçlar gösterdi. Singh veKakkar 38 , EEG sinyalleri kullanılarak ASD tespiti için Kronolojik Dikiş Eğitimi Optimizasyonu–Derin Kalıntı Ağı (CSTO-DRN) modelini önermiş, gürültü azaltma ve özellik optimizasyonuyla ilgili zorlukları ele alırken %88,6 doğruluk sağlamıştır. Benzer şekilde, Radhakrishnan ve ark.41 , EEG tabanlı ASD sınıflandırması için grafik sinir ağları ve dikkat mekanizmalarını içeren bir graf dikkat ağı çerçevesi geliştirmiş ve %96,2 doğruluk bildirmiştir. Bu çalışmalar birlikte, nesnel, invaziv olmayan ve ölçeklenebilir ASD tanı araçları geliştirmede davranışsal ve fizyolojik sinyal analizinin artan potansiyelini göstermektedir.
Çok modlu ve bütünleşik yöntemler
Multimodal füzyon teknikleri, heterojen bilgi kaynaklarını entegre ederek ASD analizini önemli ölçüde ilerletmiştir. Wang ve ark.40, dağıtık tıbbi veri setlerinden çok modal veriler kullanarak ASD tanısı için Federated Hypergraph Neural Network (FedHNN) çerçevesini geliştirmiştir. Önerilen çerçeve, veri gizliliğini korurken yerel modelleri tanı doğruluğunda geride bırakarak, gizliliği koruyan ve işbirlikçi tanı sistemlerinin uygulanabilirliğini göstermiştir.
Bağırsak mikrobiyom analizi, ASD araştırmaları için umut vadeden bir yöntem olarak ortaya çıkmıştır. Olaguez-Gonzalez ve ark.49 , mikrobiyom bileşim verilerine makine öğrenimi teknikleri uygulamış ve sınırlı sayıda bakteri suş kullanarak %94,7 doğruluk elde etmiştir. Bu araştırma hattını genişleterek, Su ve ark.42 çoklu krallık mikrobiyota verilerini dahil etti ve 0.91 eğrisinin altında (AUC) bir alan raporladı; ASD ile ilişkili fonksiyonel biyobelirteçleri, ubiquinol-7 biyosentez yollarını da dahil olmak üzere, tespit etti.
Mikrobiyom temelli yaklaşımların yanı sıra, konuşma ve ses akustiğinden türetilen biyobelirteçler invaziv olmayan tanı araçları olarak araştırılmıştır. Briend ve ark.48 , çocukların konuşma örneklerinden çıkarılan akustik özellikleri analiz etti ve ASD'li bireyleri tipik gelişen kontrol gruplarından ayırt etmede %91 sınıflandırma doğruluğu sağladı. Bu bulgular, ses tabanlı biyobelirteçlerin geleneksel tanı değerlendirmelerini tamamlama ve daha erişilebilir ASD tarama stratejilerini destekleme potansiyelini ortaya koymaktadır.
Hesaplama yöntemlerindeki gelişmeler
Tablo 3'te özetlendiği üzere, hesaplama metodolojilerindeki son gelişmeler ASD tanısı ve sınıflandırmasını önemli ölçüde iyileştirmiştir. Vidyadhari ve ark.46, Fraksiyonel Sosyal Sürüş Eğitimi Tabanlı Optimizasyon (FSDTBO) algoritmasını kullanarak optimize edilmiş derin kuantize sinir ağı (DQNN) geliştirmiş ve %90 doğruluk bildirmiştir. Önerilen çerçeve, tanı performansını artırmak için optimizasyonla güçlendirilmiş derin öğrenme modellerinin potansiyelini gösterdi.
Benzer şekilde, Zhang ve ark.32 , bölgesel homojenlik ölçümlerinden özellikleri çıkarmak için topolojik veri analizi (TDA) yaklaşımı kullanmış ve %96,5 doğruluk elde ederek birkaç geleneksel metodolojiyi geride bırakmıştır. Çalışma, ASD ile ilişkili karmaşık nörobiyolojik desenleri yakalamak için gelişmiş özellik temsil tekniklerinin değerini vurguladı.
Model seçimi ve sınıflandırma performansını artırmak için hibrit makine öğrenimi çerçeveleri de araştırılmıştır. Alqaysi ve ark.39 , özellik seçimi ve sınıflandırma stratejilerini entegre eden bulanık, çok kriterli karar alma çerçevesinde 72 hibrit makine öğrenimi modelini değerlendirdi. Bulguları, karar ağacı ve gradyan güçlendirme tabanlı yaklaşımların en kararlı sınıflandırıcılar arasında olduğunu, etkili özellik seçiminin ise genel model performansını optimize etmede kritik bir rol oynadığını gösterdi.
Multimodal ASD çerçevelerinin klinik önemi
Çok modlu öğrenme, ASD sınıflandırma sistemlerinin hem tanısal performansını hem de klinik önemini artırmak için önemli bir strateji olarak ortaya çıkmıştır. ASD, sosyal iletişim, duyusal işleme, bilişsel işlevsellik, davranışsal düzenleme ve biyolojik özelliklerdeki farklılıklar yoluyla bireyler arasında heterojen olarak ortaya çıktığı için, tek bir veri modalitesinde eğitilen modeller bozukluğun karmaşıklığının yalnızca sınırlı bir kısmını kapsayabilir. Nörogörüntüleme, elektroensefalografi (EEG), göz izleme, davranışsal video, mikrobiyom profilleri, ses akustiği ve demografik verilerden gelen bilgileri entegre ederek, çoklu modal çerçeveler ASD ile ilgili özelliklerin daha kapsamlı bir temsili sunar.
Sınıflandırma doğruluğunu artırmanın ötesinde, çoklu modal sistemler, birden fazla veri kaynağında yakınsak kanıtları tespit ederek bireyler arasında klinik olarak anlamlı farklılıkları koruyarak daha fenotip bilgili bir tanı yaklaşımını destekler. Han ve ark.9, Wang ve ark.40, Su ve ark.42, Briend ve ark.48 ve Olaguez-Gonzalez ve ark.49 tarafından bildirilen bulgular, tanı sağlamlığını, yorumlanabilirliğini ve klinik uygulanabilirliği artırmak için tamamlayıcı yöntemlerin entegrasyonunun değerini topluca göstermektedir. Sonuç olarak, çoklu modal ASD çerçeveleri sadece öngörücü performansı artırmak için araç olarak değil, aynı zamanda daha kişiselleştirilmiş ve klinik olarak ilgili tanısal karar alma süreçlerini kolaylaştıran yaklaşımlar olarak da görülmelidir.
Gelişen teknolojiler ve uygulamalar
Gelişen teknolojiler, ASD tanısı, müdahale ve hasta izleme alanlarını genişletmiştir. Zhao ve ark.45 , ASD müdahaleleri için genişletilmiş gerçeklik (XR) teknolojilerinin uygulanmasını inceledi ve bunların bilişsel, davranışsal ve sosyal beceri gelişimini sürükleyici ve etkileşimli ortamlar aracılığıyla destekleme potansiyelini vurguladı. Benzer şekilde, Nogay veAdeli 47 , yaş ve cinsiyetin ASD sınıflandırması üzerindeki etkisini araştırmış ve demografik bilgilerin dahil edilmesinin derin öğrenme modellerinin performansını iyileştirebileceğini göstermiştir.
Önemli ilerlemelere rağmen, yapay zeka tabanlı ASD tanı sistemlerinin yaygın klinik benimsenmesini sınırlamaya devam eden çeşitli zorluklar devam etmektedir. Veri heterojenliği, sınırlı örneklem boyutları, yetersiz dış doğrulama ve model genellenebilirliğiyle ilgili endişeler birçok çalışmada yaygın sınırlamalar olarak kalmaktadır. Bu zorlukları ele almak için Quillet ve ark.34 , ASD ile ilişkili metabolomik biyobelirteçleri incelerken, Thapa ve ark.50 tanı sınıflandırmasını ve model dayanıklılığını artırmak için retrospektif klinik verileri kullanmıştır. Bu çalışmalar, veri çeşitliliğini genişletmenin ve model güvenilirliğini ve klinik önemini artırmak için yeni biyobelirteçlerin dahil edilmesinin önemini göstermektedir.
Genel olarak, incelenen literatür, makine öğrenimi ve derin öğrenmenin ASD tanı ve analizi için çoklu veri modalitelerinde dönüştürücü potansiyelini göstermektedir. Nörogörüntüleme, davranışsal değerlendirme, çok modlu öğrenme, fizyolojik sinyal analizi, mikrobiyom araştırmaları ve ses tabanlı biyobelirteçlerdeki gelişmeler, tanı doğruluğunu, ölçeklenebilirliğini ve yorumlanabilirliğini önemli ölçüde iyileştirmiştir. Gelecekteki araştırmalar, büyük ölçekli, çoklu kohortlu doğrulama, standartlaştırılmış değerlendirme çerçeveleri, geliştirilmiş yorumlanabilirlik ve sağlam ve klinik olarak çevrilebilir ve kişiselleştirilmiş ASD tanı sistemlerinin geliştirilmesini desteklemek için çeşitli veri modalitelerinin entegrasyonuna odaklanmalıdır.
Revize edilmiş karşılaştırmalı sonuç analizi
Karşılaştırmalı analiz, yalnızca tanı doğruluğu değil, kanıt kalitesi, doğrulama titizliği ve klinik uygulanabilirlik vurgulanacak şekilde revize edildi. İncelenen çalışmalar veri setleri, yaş grupları, hedef popülasyonlar, doğrulama stratejileri ve metodolojik hedefler açısından önemli ölçüde farklılık gösterdiğinden, bildirilen performans metriklerinin doğrudan sayısal karşılaştırması temkinli bir şekilde yorumlandı. Bunun yerine, revize edilen sentez, öngörücü performansı doğrulama olgunluğu, dış testler, yorumlanabilirlik, uygulama fizibilitesi ve klinik hazırlıkla birleştirir.
Şekil 1 , incelenen çalışmalardan çıkarılan açıkça bildirilen tanısal performans metriklerini, doğruluk, hassasiyet ve özgüllük dahil olmak üzere özetlemektedir. Birçok çalışma yüksek tanı performansı bildirse de, modaliteler ve çalışma tasarımları arasında önemli değişkenlik gözlemlenmiştir. Bazı araştırmalar %95'in üzerinde doğruluk elde etti, ancak hassasiyet ve özgüllük değerleri genellikle daha az tutarlı raporlandı; bu da tanı performansını yalnızca doğruluk yerine çoklu tamamlayıcı metriklerle değerlendirmenin önemini vurguladı.
Bildirilen doğruluk ile hassasiyet arasındaki ilişki Şekil 2'de daha ayrıntılı olarak gösterilmiştir. Çalışmalar arasında pozitif bir ilişki gözlemlenebilir; ancak bu şekil, yüksek doğruluğun her zaman orantılı olarak daha yüksek hassasiyetle karşılık gelmediğini de göstermektedir. Bu bulgu klinik olarak önemlidir çünkü ASD tarama uygulamaları mümkün olduğunca çok gerçek ASD vakasının belirlenmesini gerektirir; bu da hassasiyeti genel sınıflandırma doğruluğunun yanında kritik bir değerlendirme kriteridir.
Bildirilen bulguların güvenilirliğini değerlendirmek için Şekil 3 , doğrulama olgunluğu ve önyargı riski sinyallerinin ana modalite grupları arasında dağılımını sunmaktadır. Özellikle fMRI ve sMRI veri setleri kullanan nörogörüntüleme tabanlı çalışmalar en büyük kanıt grubunu oluşturdu ancak sıkça tekrarlanan kıyaslama veri setleri ve çapraz doğrulama çerçevelerine dayandı. Federatif ve multimodal yaklaşımlar, çoklu site veri kaynakları ve daha çeşitli doğrulama stratejileri içerdikleri için karşılaştırmalı olarak daha güçlü doğrulama olgunluğu göstermiştir. Buna karşılık, XR tabanlı müdahale platformları ve birkaç davranışsal yaklaşım sınırlı dış doğrulama gösterdi ve büyük ölçekli klinik benimseme için mevcut kanıtları kaldı.
Şekil 4 , analiz süreci öngörücü performansın ötesine taşıyarak modalite düzeyindeki klinik hazırlığı özetlemektedir. Sentezde altı boyut bulunur: veri seti olgunluğu, doğrulama olgunluğu, dış doğrulama, yorumlanabilirlik, uygulama fizibilitesi ve genel klinik hazırlık. Federe ve multimodal yapay zeka yaklaşımları, daha güçlü doğrulama uygulamaları ve gelişmiş ölçeklenebilirlik gösterdikleri için en yüksek genel hazırlık puanlarını elde etti. Davranışsal video ve bakış tabanlı yöntemler de nispeten yüksek yorumlanabilirlikleri ve pratik uygulama potansiyeli sayesinde umut vadeden hazır bir performans gösterdi. Buna karşılık, ses tabanlı değerlendirme ve XR platformları gibi modaliteler, sınırlı doğrulama kanıtları ve daha küçük çalışma popülasyonları nedeniyle daha düşük hazırlık gösterdi.
Klinik hazırlık ile bildirilen tanısal performans arasındaki ilişki Şekil 5'te görselleştirilmiştir. Bu rakam, çok yüksek doğruluk değerlerinin mutlaka güçlü klinik hazırlık anlamına gelmediğini göstermektedir. %95'in üzerinde doğruluk bildiren birkaç çalışma, küçük veri setlerine, tek lokasyonlu kohortlara dayandıkları veya bağımsız dış doğrulamadan yoksun olduğu için orta hazırlık seviyelerinde konumlanmıştır. Buna karşılık, biraz daha düşük tanı performansına sahip çalışmalar, daha iyi yorumlanabilirlik, daha geniş doğrulama ve daha net uygulama yolları eşlik ettiğinde genellikle daha güçlü translasyon potansiyeli göstermiştir.
Modalite grupları arasında belirlenen metodolojik sınırlamalar Şekil 6'da özetlenmiştir. Yaygın endişeler arasında küçük örneklem büyüklükleri, ABIDE gibi tek sahalı veri setlerine bağımlılık, yetersiz dış doğrulama, olası veri sızıntısı, sınırlı kalibrasyon analizi ve dağıtım fizibilitesi konusundaki belirsizlik yer alıyordu. Kanıt haritası, metodolojik titizlik ve doğrulama kalitesinin, tanı performansını teşvik etmesine rağmen klinik çevirideki büyük engeller olarak kaldığını vurgulamaktadır. Bu nedenle, ASD tanı sistemleri değerlendirilirken bildirilen doğruluk ile birlikte kanıt güvenilirliği de dikkate alınmalıdır.
Genişletilmiş sonuç analizi
Veri modalitelerinin, algoritmik stratejilerin, veri seti özelliklerinin, yorumlanabilirlik çerçevelerinin, hesaplamalı verimlilik ve gelişmekte olan teknolojilerin ASD tanısal performansı ve klinik çevirisi üzerindeki etkisini karşılaştırmak için daha geniş bir sentezle gerçekleştirildi.
Şekil 7, ASD tanı performansıyla ilişkili faktörlerin entegre bir genel bakışını sunar. Modalite karşılaştırması, çoklu modal yaklaşımların en yüksek genel performansı sağladığını, ardından nörogörüntüleme tabanlı yöntemlerin geldiğini göstermektedir. Algoritma düzeyindeki karşılaştırmalar, grafik sinir ağları ve federasyon öğrenme çerçeveleri dahil olmak üzere gelişmiş mimarilerin tutarlı bir şekilde güçlü performans sergilediğini ve aynı zamanda veri heterojenliği ile gizlilik koruma ile ilgili zorlukları ele aldığını göstermektedir. Veri setiyle ilgili analizler, daha büyük ve çok noktalı veri setlerinin genellikle daha küçük gruplara göre daha kararlı ve genelleştirilebilir sonuçlar sağladığını göstermektedir. Ayrıca, açıklanabilirlik mekanizmalarını içeren yöntemler, model karar vermede daha fazla şeffaflık sağladıkları için klinik kabulü iyileştirdi.
Tablo 4 ve Tablo 5'te sunulan kanıt kalitesi matrisleri bu gözlemleri pekiştirmektedir. Daha büyük veri setleri, daha güçlü doğrulama prosedürleri ve harici testlerle desteklenen çalışmalar, yalnızca iç doğrulamaya dayanan çalışmalara göre genellikle daha güvenilir performans göstermiştir. Her iki tabloda, çok sayıda lokasyon kohortları, bağımsız test popülasyonları veya federasyon doğrulama çerçeveleri dahil edildiğinde kanıt kalitesi arttı. Bu bulgular, gelecekteki ASD tanı sistemlerinin öngörücü doğruluğun yanı sıra doğrulama titizliği ve tekrarlanabilirliği önceliklendirmesi gerektiğini öne sürmektedir.
Tablo 6, ASD tanılı yapay zeka sistemleri için değerlendirme kriterlerinin göreceli önemini özetlemektedir. Hassasiyet, özgüllük, dış doğrulama, yorumlanabilirlik, adalet değerlendirmesi ve uygulama fizibilitesi, klinik çeviri için kritik faktörler olarak ortaya çıktı. Tanı doğruluğu önemli olsa da, analiz klinik faydayı belirlemek için tek bir ölçütün yeterli olmadığını göstermektedir. Bunun yerine, sağlık ortamlarında anlamlı benimsenmesi için performans, güvenilirlik, şeffaflık ve doğrulama kanıtlarının birleşimi gereklidir.
Tablo 7'de sunulan modalite düzeyindeki sentez, ASD tanısal yaklaşımları arasında kanıt olgunluğundaki farklılıkları daha da göstermektedir. Nörogörüntüleme tabanlı yöntemler güçlü tanı performansı gösterdi ancak veri seti bağımlılığı ve dış doğrulama ile ilgili sınırlamalar sıklıkla sergiledi. Davranışsal ve bakış tabanlı yaklaşımlar daha iyi yorumlanabilirlik ve uygulama uygulanabilirliği sunarken, çoklu modal ve federasyon tabanlı öğrenme çerçeveleri performans, doğrulama olgunluğu ve klinik hazırlık arasında en güçlü genel dengeyi gösterdi. Mikrobiyom analizi, ses-akustik biyobelirteçler ve XR tabanlı sistemler içeren yeni yaklaşımlar umut vermeye devam etmekte olup, yaygın klinik uygulama öncesi daha geniş doğrulama çalışmaları gerektirmektedir.
Bu bulgular toplamda, ASD tanı yapay zekasının geleceğinin yalnızca performans optimizasyonu yerine çok modlu, dışsal doğrulanmış, yorumlanabilir ve gizliliği koruyan çerçevelere bağlı olacağını göstermektedir. Sentez, klinik hazırlığın sadece öngörücü doğrulukla değil, aynı zamanda doğrulama kalitesi, şeffaflık, ölçeklenebilirlik ve gerçek dünyada uygulanabilirlikle de belirlendiğini vurgular.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Bu inceleme, otizm spektrum bozukluğu (ASD) tanı ve analizinde makine öğrenimi (ML) ve derin öğrenmenin (DL) artan rolünü göstermektedir. İncelenen çalışmalar boyunca, fonksiyonel manyetik rezonans görüntüleme (fMRI), elektroensefalografi (EEG), davranışsal video, bağırsak mikrobiyom profilleri ve ses-akustik sinyaller dahil olmak üzere çeşitli veri modalitelerine hesaplamalı yaklaşımlar uygulanmıştır. Geleneksel ML sınıflandırıcıları, özellikle vektör makineleri (SVM'ler) ve rastgele or...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Yazarlar, bu çalışmayla ilgili çıkar çatışmaları olmadığını belirtmektedir.
Yazarlar, bu çalışmayı destekleyen akademik ortam ve kaynaklar için VIT-AP Üniversitesi'ne teşekkür etmek ister. Yazarlar ayrıca bu derlemede yer alan araştırmacıların değerli katkılarını takdir etmektedir. Bu araştırma dış bir fon almadı.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste
İzin iste