人工智能驱动的儿童自闭症谱系障碍的诊断

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗保健信息学 医疗保健信息学

背景情况:

• 自闭症谱系障碍 (ASD) 带来了重大的社会挑战,需要在诊断工具和包容性支持系统方面取得进展.
• 早期和准确的自闭症诊断对于及时干预和改善受影响个人及其家人的生活质量至关重要.

研究的目的:

• 确定影响沙特阿拉伯和埃及自闭症症的关键因素.
• 通过将可解释的人工智能 (XAI) 技术与机器学习模型相结合,提高ASD早期诊断的准确性.
• 提高医疗保健系统在ASD检测和管理方面的效率.

主要方法:

• 使用K-最近邻居 (KNN) 和决策树 (DT) 模型来诊断ASD.
• 应用了XAI技术,包括夏普利添加式解释 (SHAP),局部可解释的模型不可知解释 (LIME) 和变换特征重要性 (PFI),以提高模型的可解释性和准确性.
• 来自沙特阿拉伯和埃及的验证和预处理数据集,解决异常值和缺失数据.

主要成果:

• 与XAI结合的KNN模型在沙特阿拉伯数据集上实现了97%的诊断准确度.
• 同样的方法在埃及数据集上产生了92%的准确性.
• XAI集成显著提高了自闭症诊断模型的准确性和可解释性.

结论:

• 将XAI与机器学习模型的整合提供了一种强大而有效的方法,可以提高早期ASD诊断.
• 这种方法可以带来更准确,可解释的AI诊断工具,改善沙特阿拉伯和埃及的医疗保健结果.
• 该研究强调了先进AI在临床应用中的潜力,以更好地检测ASD和个性化治疗计划.