Core Concepts
Durch den Einsatz verschiedener Maschineller Lernverfahren konnte ein effizientes und kostengünstiges Modell zur frühzeitigen Erkennung von Autismus-Spektrum-Störungen auf Basis der INDT-ASD-Datenbank aus Indien entwickelt werden.
Abstract
Die Studie befasst sich mit der Entwicklung eines Modells zur frühzeitigen Erkennung von Autismus-Spektrum-Störungen (ASD) unter Verwendung verschiedener Maschineller Lernverfahren. Dafür wurde die INDT-ASD-Datenbank aus Indien genutzt, die klinisch validierte Datensätze von 225 Kindern enthält.
Zunächst wurde eine Datenvorverarbeitung durchgeführt, um die Daten für die Modellentwicklung vorzubereiten. Anschließend wurde ein mehrstufiger Ansatz zur Merkmalsoptimierung verfolgt, bei dem drei verschiedene Methoden (Chi-Quadrat-Test, Rekursive Merkmalsselektion und Hauptkomponentenanalyse) kombiniert wurden, um die relevantesten Merkmale zu identifizieren. Dabei konnte die Anzahl der Fragen von 28 auf 20 reduziert werden, ohne die Vorhersagegenauigkeit zu beeinträchtigen.
In der nächsten Phase wurden verschiedene Maschinelle Lernmodelle, wie Logistische Regression, Naive Bayes, Entscheidungsbäume, Zufallswälder, Unterstützungsvektormaschinen, k-Nächste-Nachbarn, Gradientenaufstieg, AdaBoost, Lineare Diskriminanzanalyse und Quadratische Diskriminanzanalyse, trainiert und optimiert. Dabei zeigte sich, dass die Unterstützungsvektormaschine (SVM) die beste Leistung erbrachte, mit einer Genauigkeit von 100 ± 0,05%, einer um 5,34% höheren Sensitivität und einer um 2,22%-6,67% verbesserten Genauigkeit gegenüber dem Zufallswald-Modell.
Abschließend wurde eine webbasierte Anwendung entwickelt, die das optimierte SVM-Modell nutzt und sowohl in Hindi als auch in Englisch verfügbar ist. Damit soll eine einfache und kostengünstige Lösung zur Früherkennung von ASD in Indien bereitgestellt werden.
Stats
Die Studie verwendete einen Datensatz von 225 Kindern, von denen 128 mit ASD und 97 als typisch entwickelnd diagnostiziert wurden.
Quotes
"Durch den Einsatz verschiedener Maschineller Lernverfahren konnte ein effizientes und kostengünstiges Modell zur frühzeitigen Erkennung von Autismus-Spektrum-Störungen auf Basis der INDT-ASD-Datenbank aus Indien entwickelt werden."
"Das optimierte SVM-Modell zeigte eine Genauigkeit von 100 ± 0,05%, eine um 5,34% höhere Sensitivität und eine um 2,22%-6,67% verbesserte Genauigkeit gegenüber dem Zufallswald-Modell."