Yapay Zeka Destekli Otizm Spektrum Bozukluğu Tanısı: Makine Öğrenimi ve Derin Öğrenme Yaklaşımları

Abstract

Otizmin spekturum bozukluğuna yönelik kapsamlı ve maliyetli değerlemelerin eğitimli sağlık profesyonellerince gerçekleştirilmesinin gerektirdiği iletişim zorluğuna ve tekrarlayan davranış kalıplarına sahip gelişimsel bir durumdur.Spekturum Katsayısı ve Görevden Geçirilmiş Otizme Erken Teşhis Kontrol Listesi dahil olmak üzere çeşitli araştırmacılar tarafından geliştirilen eleme araçlarıyla bu zorluğa karşı çözümler sunulmuştur.Bahsi geçen yöntemlerin doğru sonuçlar vermesinde kullanıcının uzmanlık seviyesine ve bilgi birikimine büyük özen göstermek gerekmektedir. Makine öğrenimi teknikleri; OSB teşhisinin doğru ve hızlı bir şekilde geliştirilmesinde önemli bir potansiyel sergilemektedir. Otomatik sınıflandırıcılar aracılığıyla oluşan sınıflandırma sistemleri; OSB teşhisinin tanı doğruğunu ve etkinliğini artırarak hassasiyetini iyileştirirken özünlülüğü ve verimini de artırmaktadır. Önerilen yöntemde; çeşitli OSBlere yönelik sorular ve bireylerin günlük aktivite verilerinde makine öğrenimi ile derin öğrenme teknikleri birleştirilmektedir. Çocuklar üzerinde yapılan deney sonucunda elde edilen verilerin analizi göstermiştir ki; makine öğrenimi tabanlı sınıflandırıcılar geleneksel yöntemlerden daha iyi performans sergileyerek tahmin doğruğunu artırmış ve hassasiyet ile spesifiklik bakımından da daha iyi sonuçlar vermiştir. Üç farklı sınıflandırma algoritması - %86 doğru oranıyla K-en yakın komşular (KNN), %96 doğru oranıyla stokastik gradyan inişi (SGD) ve %92 doğru oranıyla destek vektör makinesini (SVM) - otizm spektrum bozukluğuna yönelik veriler üzerinde test edildiler. Sistem derin öğrenme teknikleriyle %99,8 doğru oranına ulaştı. Makine öğrenimi ve derin öğrenme yöntemlerinin kullanılması; hem klinisyenler hem de bireyler için otizm spektrum bozukluğunun teşhisini geliştirmek adına daha iyi tanı araçları oluşturma konusunda büyük bir potansiyel sunuyor. Anahtar Kelimeler: Otizm tanısı, makine öğrenmesi, K-en yakın komşu, destek vektör makinesi (SVM).

Autism spectrum disorder (ASD) is a developmental condition that results in communication problems along with challenges in social interaction and repetitive behavior patterns. Diagnosing ASD requires extensive and expensive assessments that must be performed by trained professionals in medical facilities. Researchers in various fields have developed screening tools, including the Autism Spectrum Quotient (ASQ) and the Revised Autism Early Detection Checklist, to address these challenges. The accuracy of these methods depends heavily on the user's level of expertise as well as their knowledge base. Machine learning techniques show significant potential for improving both the accuracy and speed of ASD detection. Automated classifiers built through classification systems enhance the diagnostic accuracy and efficiency of ASD detection by improving sensitivity, specificity, accuracy, and efficiency. The proposed method combines machine learning and deep learning techniques on a set of ASD-related questions and daily movement data of individuals. Experimental results on child, adolescent, and adult datasets demonstrate that machine learning classifiers outperform traditional methods in prediction accuracy, sensitivity, consensus, and specificity. Three classification algorithms—K-nearest neighbors (KNN) with 86% accuracy, stochastic gradient descent (SGD) with 96% accuracy, and support vector machine (SVM) with 92% accuracy—were applied to the autism spectrum disorder dataset. The system achieved 99.8% accuracy through deep learning. The application of machine learning and deep learning methods shows strong potential for enhancing the detection of autism spectrum disorder by creating better diagnostic tools for both clinicians and users. Keywords: Autism diagnosis, machine learning, k-nearest neighbors, support vector machine (SVM).