تشخيص اختلال طيف اوتيسم با بهره‌گيري از تحليل مولفه هاي اصلي جهت استخراج بهترين ويژگي‌ها با استفاده از شبكه‌هاي عصبي مصنوعي

زمينه و هدف: طيف اوتيسم يكي از اختلالات روان‌شناختي كودكان محسوب مي‌شود. تشخيص به‌موقع و با دقت اين اختلال، اهميت فراواني در تأمين مراقبت و درمان مناسب كودكان دارد. هدف اصلي اين تحقيق، تأكيد بر اهميت ويژگي‌هاي مرتبط با بيماري اوتيسم و تشخيص آن با استفاده از يك مدل هوشمند است، چراكه برخي از اين ويژگي‌ها از درجه اولويت بالاتري برخوردارند. روش ها: بدين منظور، از روش تحليل مولفه اصلي(PCA) براي اولويت‌بندي ويژگي‌ها استفاده شد و پس از استخراج ويژگي هاي بهينه، با استفاده از شبكه هاي عصبي مصنوعي، به تشخيص خودكار بيماري پرداخته شده است. نتايج: داده‌هاي مورد استفاده در اين مطالعه از مجموعه‌داده Kaggle جمع‌آوري شده‌اندكه شامل 1054 فرد بوده، كه از اين تعداد 728 نفر مبتلا به اوتيسم و 326 نفر سالم بوده‌اند. بررسي‌هاي اين مطالعه نشان مي دهد كه حذف تدريجي ويژگي‌ها و تقليل از 18 به 12 ويژگي، مي‌تواند به حصول همان دقت در تشخيص طيف اوتسيم با استفاده از شبكه‌هاي عصبي مصنوعي، منجر شود. نتيجه گيري: كاهش تعداد ويژگي‌ها در مدل‌هاي هوش مصنوعي براي تشخيص اوتيسم، ضمن كمك به بهبود و بهينه‌سازي فرآيند تشخيص بيماري، مي تواند منجر به كاهش استرس والدين و حفظ حريم خصوصي آنها بدليل تعداد كمتر سوالات شده و در نهايت منجر به توليد مدل‌هايي با عملكرد بهتر و تفسيرپذيرتر شود.