تشخیص اختلال طیف اوتیسم با بهره گیری از تحلیل مولفه های اصلی جهت استخراج بهترین ویژگی ها با استفاده از شبکه های عصبی مصنوعی

طیف اوتیسم یکی از اختلالات روان شناختی کودکان محسوب می شود. تشخیص به موقع و با دقت این اختلال، اهمیت فراوانی در تامین مراقبت و درمان مناسب کودکان دارد. هدف اصلی این تحقیق، تاکید بر اهمیت ویژگی های مرتبط با بیماری اوتیسم و تشخیص آن با استفاده از یک مدل هوشمند است، چراکه برخی از این ویژگی ها از درجه اولویت بالاتری برخوردارند.

بدین منظور، از روش تحلیل مولفه اصلی (PCA) برای اولویت بندی ویژگی ها استفاده شد و پس از استخراج ویژگی های بهینه، با استفاده از شبکه های عصبی مصنوعی، به تشخیص خودکار بیماری پرداخته شده است.

داده های مورد استفاده در این مطالعه از مجموعه داده Kaggle جمع آوری شده اندکه شامل 1054 فرد بوده، که از این تعداد 728 نفر مبتلا به اوتیسم و 326 نفر سالم بوده اند. بررسی های این مطالعه نشان می دهد که حذف تدریجی ویژگی ها و تقلیل از 18 به 12 ویژگی، می تواند به حصول همان دقت در تشخیص طیف اوتسیم با استفاده از شبکه های عصبی مصنوعی، منجر شود.

کاهش تعداد ویژگی ها در مدل های هوش مصنوعی برای تشخیص اوتیسم، ضمن کمک به بهبود و بهینه سازی فرآیند تشخیص بیماری، می تواند منجر به کاهش استرس والدین و حفظ حریم خصوصی آنها بدلیل تعداد کمتر سوالات شده و در نهایت منجر به تولید مدل هایی با عملکرد بهتر و تفسیرپذیرتر شود.