使用kNN输入器和机器学习分类器通过问卷查方式检测自闭症谱系障碍

科学领域:

• 神经发育障碍 神经发育障碍
• 医疗保健中的人工智能
• 生物医学数据分析

背景情况:

• 自闭症谱系障碍 (ASD) 是一种神经发育状况,需要早期诊断才能有效管理.
• 目前的临床诊断方法 (例如,AQ-10,Q-chat) 通常是昂贵的,难以获得的和耗时的.
• 机器学习 (ML) 为有效和可访问的ASD早期预测提供了一个有希望的途径.

研究的目的:

• 用ML分类器对不同年龄组的自闭症谱系障碍 (ASD) 和典型发育 (TD) 数据进行分类.
• 评估各种ML模型在识别ASD方面的性能.
• 将拟议的ML方法与现有的最先进的方法进行比较.

主要方法:

• 利用各种各样的ASD数据集,包括幼儿,儿童,青少年和成年人.
• 应用一热编码用于分类数据转换和kNN Imputer与MinMaxScaler用于数据预处理.
• 使用支持矢量机,k-近邻 (KNN),随机森林 (RF) 和人工神经网络模型进行分类的ASD和TD数据.

主要成果:

• 随机森林 (RF) 在所有数据集中实现了100%的准确率,在没有过度装配的情况下展示了卓越的性能.
• 拟议的ML模型的性能优于现有的方法,包括深度神经网络 (DNN) 和卷积神经网络 (CNN),其准确率高达98%.
• 该方法在临床环境中提高了对实时ASD检测的概括能力.

结论:

• 机器学习,特别是随机森林,为所有年龄组的ASD分类提供了高度准确和高效的方法.
• 开发的ML方法为当前的诊断工具和复杂的深度学习架构提供了一个低复杂度,高性能的替代方案.
• 这项研究强调了ML在改善临床实践中早期ASD检测的可访问性和准确性的潜力.