利用机器学习通过 INDT-ASD 印度数据库进行早期自闭症检测
摘要
机器学习（ML）发展迅速，特别是在医疗保健领域。使用 ML 诊断神经发育问题是医疗保健中一个非常重要的领域。自闭症谱系障碍（ASD）是全球增长最快的发育障碍之一。用于识别自闭症症状的临床筛查测试既昂贵又耗时。但随着 ML 的进步，早期识别自闭症已成为可能。此前，研究中使用了许多不同的技术。然而，在利用临床验证的印度 ASD 数据库预测自闭症特征的能力方面，它们均未产生预期的结果。因此，本研究旨在开发一种简单、快速且低成本的 ML 技术来识别 ASD。各种机器学习分类器，包括 Adaboost (AB)、Gradient Boost (GB)、Decision Tree (DT)、Logistic Regression (LR)、Random Forest (RF)、Gaussian Naive Bayes (GNB)、Linear Discriminant Analysis (LDA)、Quadratic Discriminant Analysis (QDA)、K-Nearest Neighbors (KNN) 和 Support Vector Machine (SVM)，被用于开发自闭症预测模型。所提出的方法使用来自 AIIMS Modified INDT-ASD (AMI) 数据库的记录进行了测试，这些记录是通过印度德里 AIIMS 开发的应用程序收集的。我们应用了特征工程，使所提出的解决方案比现有解决方案更简单。使用所提出的模型，我们成功地使用精简后的 20 个问题集预测了 ASD，而不是 AMI 中提出的 28 个问题，并取得了令人满意的准确率。在比较评估中，SVM 脱颖而出成为最优模型，准确率达到 100 0.05\%，召回率高出 5.34\%，准确率比 RF 高 2.22\%-6.67\%。我们还引入了一个支持印地语和英语的网络解决方案。
关键词
引用
@article{arxiv.2404.02181,
title = {Leveraging Machine Learning for Early Autism Detection via INDT-ASD Indian Database},
author = {Trapti Shrivastava and Harshal Chaudhari and Vrijendra Singh},
journal= {arXiv preprint arXiv:2404.02181},
year = {2024}
}