Otizm spektrum bozukluğu teşhisi için derin öğrenme yaklaşımları: Topluluk mimarileri ve multimodal analiz

Bu tez, çocuklarda Otizm Spektrum Bozukluğu (OSB) teşhisinin hassasiyetini ve verimliliğini artırmak için yeni çoklu-modal derin öğrenme yaklaşımlarını sunmaktadır. İlk yaklaşım olan ASD-CVH, hibrit bir görüntü dönüştürücü ve evrişimsel sinir ağı (CNN) mimarisini birleştirerek, ses örneklerinden yüksek seviyeli özellikler ve dikkat haritaları çıkararak, OSB ve tipik olarak gelişen (TD) çocuklar arasında ayrım yapmak-ta mükemmel bir doğruluk sağlamaktadır. İkinci yaklaşım olan ASD-EVNet, yüz tabanlı bir OSB veri kümesinde (FADC) ince ayarlanmış en son Görüntü Dö-nüştürücü (ViT) modelleri ile ensemble öğrenme kullanarak, yüz ifadelerine dayalı OSB teşhisinde en sonuçları elde etmektedir. Ses temelli ve görüntü temelli derin öğrenme modellerinin entegrasyonuyla, bu araştırma, doğruluğu ve güvenilirliği art-tıran çoklu-modal bir perspektif sağlayarak, OSB teşhisi için kapsamlı bir çerçeve oluşturmaktadır. Bulgular, OSB için objektif ve verimli teşhis araçlarının geliştirilme-sine katkı sağlayarak, erken müdahale ve OSB'li çocuklar için daha iyi bakımı desteklemektedir.