تشخيص دقيق و زودهنگام كودكان پيش دبستاني مستعد نارساخواني (ديسلكسيا): مقايسه دو سيستم هوشمند طراحي شده با شبكه عصبي مصنوعي

Accurate and Early Diagnosis of Children at Risk for Dyslexia: Comparison of Two Intelligent Systems Designed by Artificial Neural Network

مقدمه و اهداف هدف از پژوهش حاضر شناسايي دقيق و زودهنگام كودكان پيش‌دبستاني مستعد ديسلكسيا از طريق طراحي سيستم هوشمند كمك تشخيصي بود. مواد و روش ­ها پژوهش حاضر از نظر هدف از نوع مطالعات تحقيق و توسعه‌اي و از نظر شيوه جمع‌آوري داده‌، توصيفي، پيمايشي از نوع ارزيابي و تشخيص بود. ابزاري كه جهت ارزيابي و استخراج اطلاعات در پژوهش حاضر مورد استفاده قرار گرفت برنامه عصبي-شناختي طراحي شده توسط دلاوريان و همكاران بود كه كارايي، دقت، روايي و اعتبار آن در بسياري از مطالعات پيشين اذعان و به اثبات رسيده است. نمونه‌ها به روش تصادفي چند مرحله‌اي خوشه‌اي انتخاب شدند و عملكرد هر يك از آنها به مدت دو سال، تا زمان تشخيص قطعي، در فايل‌هاي اكسلِ جداگانه ذخيره شد و پس از دو سال جهت طراحي سامانه حمايتگر تصميم باليني مورد استفاده قرار گرفت. دو نوع شبكه عصبي مصنوعي چند لايه پرسپترون و تابع پايه شعاعي در طراحي سامانه، استفاده و از نظر دقت و حساسيت مقايسه شدند. يافته­ ها ميانگين دقت سامانه‌هاي طراحي شده توسط شبكه عصبي چند لايه پرسپترون، 94/40% و حساسيت و اختصاصي بودن شبكه در تشخيص كودكان پيش‌دبستاني مستعد ديسلكسيا به ترتيب، 90/27% و 95/28% حاصل گرديد. نتيجه­ گيري با توجه به اعتبار و روايي بالاي برنامه عصبي‌- شناختي و دقت و حساسيت بالاي سامانه حمايتگر تصميمِ طراحي شده، مي‌توان با اطمينان بالا از اين سامانه هوشمند جهت تشخيص زودهنگام كودكان مستعد ديسلكسيا، پيش از ورود به دبستان استفاده نمود.

Background and Aim: The aim of the present study was early and accurate diagnosis of preschoolers at risk for dyslexia through designing an intelligent diagnostic system. Materials and Methods: The current research was a “research and development” type of investigation, in terms of its goal, and a descriptive research, assessment, and diagnostic type study, in terms of data collection method. The Neuro-cognitive program designed by Delavarian et al. was used for evaluation of the children. The efficacy, accuracy, validity, and reliability of this program were proven in many previous studies. Participants were selected following cluster random sampling method and their neuro-cognitive functions were saved for two years until the definite diagnosis of each individual was determined and then the data was applied in designing the diagnostic system. Multilayer perceptron and radial basis function artificial neural networks were applied in designing the system and they were compared according to their accuracy and sensitivity. Results: The average accuracy of the system in early diagnosis of preschoolers at risk for dyslexia, designed by multilayer perceptron neural network, reached to 94.40% and the network’s sensitivity and specificity were obtained to be 90.27 and 95.28%, respectively. Conclusion: According to the high validity and reliability of the neuro-cognitive program and the high accuracy and sensitivity of the designed decision support system, the mentioned system could be used in early detection of at risk preschoolers, prior to entering the elementary school