تشخیص اختلال طیف اوتیسم با بهره‌گیری از تحلیل مولفه های اصلی جهت استخراج بهترین ویژگی‌ها با استفاده از شبکه‌های عصبی مصنوعی

زمینه و هدف: طیف اوتیسم یکی از اختلالات روان‌شناختی کودکان محسوب می‌شود. تشخیص به‌موقع و با دقت این اختلال، اهمیت فراوانی در تامین مراقبت و درمان مناسب کودکان دارد. هدف اصلی این تحقیق، تاکید بر اهمیت ویژگی‌های مرتبط با بیماری اوتیسم و تشخیص آن با استفاده از یک مدل هوشمند است، چراکه برخی از این ویژگی‌ها از درجه اولویت بالاتری برخوردارند.روش ها: بدین منظور، از روش تحلیل مولفه اصلی(pca) برای اولویت‌بندی ویژگی‌ها استفاده شد و پس از استخراج ویژگی های بهینه، با استفاده از شبکه های عصبی مصنوعی، به تشخیص خودکار بیماری پرداخته شده است.نتایج: داده‌های مورد استفاده در این مطالعه از مجموعه‌داده kaggle جمع‌آوری شده‌اندکه شامل 1054 فرد بوده، که از این تعداد 728 نفر مبتلا به اوتیسم و 326 نفر سالم بوده‌اند. بررسی‌های این مطالعه نشان می دهد که حذف تدریجی ویژگی‌ها و تقلیل از 18 به 12 ویژگی، می‌تواند به حصول همان دقت در تشخیص طیف اوتسیم با استفاده از شبکه‌های عصبی مصنوعی، منجر شود.نتیجه گیری: کاهش تعداد ویژگی‌ها در مدل‌های هوش مصنوعی برای تشخیص اوتیسم، ضمن کمک به بهبود و بهینه‌سازی فرآیند تشخیص بیماری، می تواند منجر به کاهش استرس والدین و حفظ حریم خصوصی آنها بدلیل تعداد کمتر سوالات شده و در نهایت منجر به تولید مدل‌هایی با عملکرد بهتر و تفسیرپذیرتر شود.

diagnosis of autism spectrum disorder using principal component analysis for feature extraction and artificial neural networks

background & aim: autism spectrum disorder is one of the psychological disorders in children. timely and accurate diagnosis of this disorder is of great importance in providing appropriate care and treatment for children. the main objective of this research is to emphasize the significance of features related to autism and their diagnosis using an intelligent model, as some of these features have higher priority.methods: for this purpose, the principal component analysis (pca) method was employed to prioritize the features, and after extracting the optimal features, automatic disease diagnosis was performed using artificial neural networks.results: the data used in this study were collected from the kaggle dataset, including 1054 individuals, out of which 728 were diagnosed with autism and 326 were healthy. the results of this study indicate that the gradual elimination of features and reduction from 18 to 12 features can lead to achieving the same accuracy in diagnosing the autism spectrum using artificial neural networks.conclusion: reducing the number of features in artificial intelligence models for autism diagnosis not only improves and optimizes the diagnostic process but also helps in reducing parental stress and preserving their privacy due to the reduced number of questions. ultimately, this leads to the generation of models with better performance and interpretability.