آیا اوتیسم با هوش مصنوعی قابل تشخیص است؟ مرور منابع

عنوان فارسی مقاله:آیا اوتیسم با هوش مصنوعی قابل تشخیص است؟ مرور منابع

چکیده

رادیومیک ها با مدل‌های یادگیری عمیق در تشخیص به کمک رایانه رایج شده‌اند و در بسیاری از وظایف بالینی از متخصصان انسانی بهتر عمل کرده‌اند. به طور خاص، مدل‌های رادیومیک مبتنی بر هوش مصنوعی (AI) از داده‌های پزشکی (به عنوان مثال، تصاویر، داده‌های مولکولی، متغیرهای بالینی و غیره) برای پیش‌بینی وظایف بالینی مانند اختلال طیف اوتیسم (ASD) استفاده می‌کنند. در این بررسی، تکنیک‌های رادیومیک مورد استفاده برای تجزیه و تحلیل ASD را خلاصه و مورد بحث قرار دادیم. در حال حاضر، کار محدود رادیومیک ASD مربوط به تنوع ویژگی‌های مورفولوژیکی ضخامت مغز است که با تجزیه و تحلیل بافت متفاوت است. این تکنیک‌ها بر اساس ویژگی‌های شکل تصویربرداری هستند که می‌توانند با مدل‌های پیش بینی برای پیش بینی ASD استفاده شوند. این بررسی پیشرفت رادیومیک های مبتنی بر ASD را با توضیح مختصری از ASD و تکنیک غیرتهاجمی فعلی مورد استفاده برای طبقه بندی بین ASD و افراد سالم (HC) مورد بررسی قرار می‌دهد. با هوش مصنوعی، مدل‌های رادیومیک جدید با استفاده از تکنیک‌های یادگیری عمیق نیز توضیح داده می‌شوند. برای در نظر گرفتن تجزیه و تحلیل بافت با CNN های عمیق، تحقیقات بیشتری برای ادغام با مراحل اعتبار سنجی اضافی در سایت‌های مختلف MRI پیشنهاد می‌شود.

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: Can Autism Be Diagnosed with Artificial Intelligence? A Narrative Review

Abstract

Radiomics with deep learning models have become popular in computer-aided diagnosis and have outperformed human experts on many clinical tasks. Specifically, radiomic models based on artificial intelligence (AI) are using medical data (i.e., images, molecular data, clinical variables, etc.) for predicting clinical tasks such as autism spectrum disorder (ASD). In this review, we summarized and discussed the radiomic techniques used for ASD analysis. Currently, the limited radiomic work of ASD is related to the variation of morphological features of brain thickness that is different from texture analysis. These techniques are based on imaging shape features that can be used with predictive models for predicting ASD. This review explores the progress of ASD-based radiomics with a brief description of ASD and the current non-invasive technique used to classify between ASD and healthy control (HC) subjects. With AI, new radiomic models using the deep learning techniques will be also described. To consider the texture analysis with deep CNNs, more investigations are suggested to be integrated with additional validation steps on various MRI sites.