رویکرد داده محور مبتنی بر یادگیری عمیق کارآمد برای تشخیص اختلال طیف اوتیسم از تصاویر صورت با استفاده از هوش مصنوعی قابل توضیح

عنوان فارسی مقاله:رویکرد داده محور مبتنی بر یادگیری عمیق کارآمد برای تشخیص اختلال طیف اوتیسم از تصاویر صورت با استفاده از هوش مصنوعی قابل توضیح

چکیده

این تحقیق یک رویکرد مبتنی بر یادگیری عمیق و داده محور مؤثر برای تشخیص اختلال طیف اوتیسم از تصاویر صورت را توصیف می‌کند. برای طبقه بندی موضوعات ASD و غیر ASD، این روش نیاز به آموزش یک شبکه عصبی کانولوشن با استفاده از مجموعه داده تصویر چهره دارد. به عنوان بخشی از رویکرد داده محور، این تحقیق از پیش پردازش و سنتز مجموعه داده آموزشی استفاده می‌کند. مدل آموزش‌دیده‌شده متعاقباً بر روی یک مجموعه آزمون مستقل به منظور ارزیابی ماتریس‌های عملکرد رویکردهای مختلف داده‌محور ارزیابی می‌شود. نتایج نشان می‌دهد که روش پیشنهادی که به طور همزمان رویکرد پیش پردازش و تقویت را روی مجموعه داده آموزشی اعمال می‌کند، از شیوه‌های اخیر بهتر عمل می‌کند و به دقت، حساسیت و ویژگی پیش‌بینی عالی ۹۸٫۹ درصد دست می‌یابد در حالی که مقدار AUC برابر با ۹۹٫۹ درصد است. این کار وضوح و درک الگوریتم را با ادغام تکنیک‌های هوش مصنوعی قابل توضیح افزایش می‌دهد و بینش‌های ارزشمند و قابل تفسیری را در مورد فرآیند تصمیم‌گیری مدل تشخیص ASD به پزشکان ارائه می‌دهد.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Efficient Deep Learning-Based Data-Centric Approach for Autism Spectrum Disorder Diagnosis from Facial Images Using Explainable AI

Abstract

The research describes an effective deep learning-based, data-centric approach for diagnosing autism spectrum disorder from facial images. To classify ASD and non-ASD subjects, this method requires training a convolutional neural network using the facial image dataset. As a part of the data-centric approach, this research applies pre-processing and synthesizing of the training dataset. The trained model is subsequently evaluated on an independent test set in order to assess the performance matrices of various data-centric approaches. The results reveal that the proposed method that simultaneously applies the pre-processing and augmentation approach on the training dataset outperforms the recent works, achieving excellent 98.9% prediction accuracy, sensitivity, and specificity while having 99.9% AUC. This work enhances the clarity and comprehensibility of the algorithm by integrating explainable AI techniques, providing clinicians with valuable and interpretable insights into the decision-making process of the ASD diagnosis model