سیستم هوش مصنوعی مبتنی بر توجه مشترک به تشخیص اوتیسم کمک می کند

بر اساس مطالعه ای که به صورت آنلاین در 25 مه منتشر شد، یک سیستم یادگیری عمیق مبتنی بر توجه مشترک، عملکرد پیش بینی خوبی برای افتراق اختلال طیف اوتیسم (ASD) از رشد معمولی (TD) ارائه می کند. شبکه JAMA باز است.

Chanyoung Ko، MD، از کالج پزشکی دانشگاه Yonsei در سئول، کره جنوبی، و همکارانش مدل های یادگیری عمیق را برای تشخیص ASD از TD و تمایز شدت علائم ASD آموزش دادند. وظایف توجه مشترک بر روی کودکان مبتلا به ASD و بدون ASD انجام شد و داده های ویدئویی از چندین موسسه به دست آمد. 95 کودک از 110 کودک اقدامات مطالعه را تکمیل کردند. جامعه تحلیلی شامل 45 کودک مبتلا به ASD و 50 کودک مبتلا به TD بود.

محققان عملکرد پیش‌بینی خوبی را برای یادگیری عمیق ASD در مقابل مدل TD برای شروع توجه مشترک مشاهده کردند (IJA؛ ناحیه زیر منحنی مشخصه عملکرد گیرنده [AUROC]99.6 درصد; دقت، 97.6 درصد؛ دقت، 95.5 درصد؛ و به یاد آورید، 99.2 درصد)؛ پاسخ سطح پایین به توجه مشترک (RJA؛ AUROC، 99.8 درصد، دقت، 98.8 درصد، دقت، 98.9 درصد، و یادآوری، 99.1 درصد). و RJA سطح بالا (AUROC، 99.5 درصد، دقت، 98.4 درصد، دقت، 98.8 درصد، و یادآوری، 98.6 درصد). عملکرد پیش‌بینی منطقی برای IJA، RJA سطح پایین و RJA سطح بالا در مدل‌های شدت علائم ASD مبتنی بر یادگیری عمیق مشاهده شد.

نویسندگان می نویسند: “ما معتقدیم که تحقیقات ما فرصت هایی را برای جمع آوری مجموعه های بزرگ داده بر روی نشانگرهای زیستی رفتاری از طریق راه اندازی استاندارد جمع آوری داده های ویدئویی که مناسب بینایی کامپیوتری و یادگیری عمیق است و برای طیف گسترده ای از شرایط عصبی روانپزشکی قابل استفاده است، باز می کند.”

دو نویسنده روابط خود را با LumanLab فاش کردند و سه نویسنده دارای حق ثبت اختراع برای روش و دستگاه تشخیص شدت ناتوانی رشدی در کودکان نوپا بر اساس توجه مشترک بودند.

حق چاپ © 2023 HealthDay. تمامی حقوق محفوظ است.