Таснифи тасвирҳои чеҳраи ASD дар асоси CNN-CBAM, равиши омӯзиши амиқ аст, ки хусусиятҳои визуалии аз тасвирҳои чеҳраи кӯдакон гирифташударо бо шабакаҳои нейронии конволютсионӣ коркард карда, тавассути Convolutional Block Attention Module (CBAM) ба хусусиятҳои иттилоотии каналӣ ва фазоӣ вазни бештар медиҳад. Ин таҳқиқот се меъмории аслии CNN ва ду меъмории пешакӣ омӯзонидашуда —YOLO8 ва ResNet18— ро бо CBAM якҷо карда, таснифи дуии тасвирҳои ASD ва non-ASD-ро муқоиса кардааст. Дар маҷмуаи додаҳои манбаъ 2536 тасвири омӯзишӣ, 300 тасвири тестӣ ва 100 тасвири санҷиши тасдиқӣ мавҷуд аст; барои арзёбии модел санҷиши салибии панҷқабата, accuracy, F1-score, Matthews Correlation Coefficient (MCC), False Negative Rate (FNR), False Positive Rate (FPR) ва AUC истифода шудаанд.

Тибқи Ҷадвали 1-и манбаъ, баландтарин қиматҳои accuracy ва AUC дар модели YOLO8-CBAM ба даст омадаанд: accuracy 0,776, F1-score 0,726, MCC 0,600, FNR 0,297, FPR 0,063 ва AUC 0,912. Аммо аз рӯи F1-score баландтарин қимат ба модели ResNet18-CBAM тааллуқ дорад: 0,792. Аз ин рӯ, гарчанде таҳқиқот YOLO8-CBAM-ро дар маҷмӯъ қавитарин модел мешуморад, меъёрҳои гуногуни иҷро ҳамон як моделро мутлақан бартар нишон намедиҳанд.

Барои тафсири визуалии қарорҳои модел Gradient-weighted Class Activation Mapping (Grad-CAM) истифода шудааст. Тибқи манбаъ, харитаҳои таваҷҷуҳи моделҳои аслии CNN ба минтақаҳои васеътаре чун рухсора, бинӣ, манаҳ ва пешонӣ паҳн мешаванд, дар ҳоле ки модели пешакӣ омӯзонидашудаи YOLO8-CBAM ба минтақаҳои чашм ва даҳон, ва ResNet18-CBAM асосан ба минтақаи даҳон тамаркуз мекунад. Ин харитаҳои гармӣ нишон медиҳанд, ки кадом қисмҳои тасвир ба холҳои тасниф бештар саҳм гузоштаанд; онҳо исбот намекунанд, ки ин минтақаҳо биомаркерҳои клиникии тасдиқшудаи ASD мебошанд.

Муҳимтарин маҳдудияти таҳқиқот такя ба як маҷмуаи ягонаи тасвирҳо мебошад. Муаллифон ба таври равшан қайд мекунанд, ки модел метавонад қолабҳои хоси ҳамин маҷмуаи додаҳоро омӯзад ва ҳамон сатҳи иҷро дар тақсимоти номаълуми додаҳо ё шароити воқеии зиндагӣ кафолат дода намешавад. Аз ин рӯ, натиҷаҳои гузоришшуда нишондиҳандаҳои иҷрои таҷрибаи таснифи тасвир мебошанд; онҳоро набояд ҳамчун дақиқии ташхиси клиникӣ, самаранокии барномаи скрининг ё эътибори ташхисӣ дар ҷаҳони воқеӣ шарҳ дод.

Масъалаи асосии таҳқиқот

Ихтилоли спектри аутизм (Autism Spectrum Disorder, ASD) ҳолати нейроинкишофӣ мебошад, ки бо мушкилоти устувор дар муошират ва ҳамкории иҷтимоӣ ва инчунин қолабҳои маҳдуду такроршавандаи рафтор тавсиф мешавад. Манбаъ таъкид мекунад, ки муайянсозии барвақт барои дастгирӣ ва дахолатҳои таълимии саривақтӣ муҳим аст. Саволи техникии таҳқиқот ин аст, ки қолабҳои визуалии аз тасвирҳои чеҳра гирифташуда бо истифода аз меъмориҳои гуногуни CNN ва механизмҳои таваҷҷуҳ то кадом андоза метавонанд дар таснифи ASD / non-ASD ҷудо карда шаванд.

Таҳқиқот системаи ташхисиро, ки ҷойгузини арзёбии анъанавии клиникӣ бошад, тасдиқ намекунад. Вазифаи омӯхташуда ҷудо кардани ду синф дар маҷмуаи тасвирҳои нишондодашуда тавассути омӯзиши мошинӣ мебошад. Ин фарқ махсусан муҳим аст, зеро қобилияти модел барои ҷудо кардани синфҳо дар маҷмуаи додаҳо маънои ҷойгузин кардани меъёрҳои ташхиси клиникӣ ё арзёбии бемори воқеиро надорад.

Адабиёт ва ҳадафи таҳқиқот

Манбаъ баррасӣ мекунад, ки барои таснифи ASD қаблан омӯзиши мошинӣ, fMRI, EEG, усулҳои графӣ, моделҳои мултимодалӣ, CNN-ҳо ва равишҳои гуногуни оптимизатсия истифода шудаанд. Равиши асосии ин таҳқиқот илова кардани механизми таваҷҷуҳи CBAM ба намояндагии хусусиятҳо дар CNN-ҳои коркардкунандаи тасвирҳои чеҳра ва муқоисаи се меъмории аслӣ бо ду меъмории пешакӣ омӯзонидашуда дар як таҳқиқот мебошад.

Таҳқиқотчиён инчунин бо истифода аз Grad-CAM ҳадаф гузоштаанд, ки на танҳо ба саволи «кадом модел холи баландтар гирифт?» ҷавоб диҳанд, балки нишон диҳанд, ки шабака ҳангоми тасниф ба кадом минтақаҳои тасвир бештар вазн медиҳад.

CBAM дар Таснифи Тасвирҳои ASD Чӣ Кор Мекунад?

Convolutional Block Attention Module (CBAM) модули таваҷҷуҳ аст, ки харитаи хусусиятҳои CNN-ро аввал дар андозаи канал ва сипас дар андозаи фазоӣ аз нав вазнгузорӣ мекунад, то шабака ба хусусиятҳо ва минтақаҳои иттилоотии тасвир аҳамияти бештар диҳад. Дар ин таҳқиқот CBAM ҳам ба се меъмории аслии CNN ва ҳам ба моделҳои асосёфта ба YOLO8 ва ResNet18 илова шуда, барои такмили хусусиятҳо дар таснифи ASD/non-ASD истифода шудааст.

Харитаи хусусиятҳо

Манбаъ баромади қабати конволютсиониро бо \(F\) нишон медиҳад:

\[ F \in \mathbb{R}^{C \times H \times W} \]

Дар ин ҷо \(C\) шумораи каналҳо, \(H\) баландии харитаи хусусиятҳо ва \(W\) паҳноиро ифода мекунад. Ин шакл нишон медиҳад, ки CNN як тасвирро на танҳо ҳамчун ҷадвали дученакаи пикселҳо, балки ҳамчун намояндагии сеченакаи иборат аз каналҳои зиёди хусусиятҳо коркард мекунад.

Таваҷҷуҳи каналӣ

Дар марҳилаи аввали CBAM харитаи таваҷҷуҳи каналӣ \(M_c\) каналҳои хусусиятҳоро аз нав вазнгузорӣ мекунад:

\[ F' = M_c(F) \otimes F \]

\(\otimes\) зарби элемент ба элементро ифода мекунад. Нақши математикӣ баланд бардоштани таъсири баъзе ҷузъҳои канал ва нисбатан пахш кардани каналҳои камтар муфид барои тасниф мебошад. Ин амал тасвири нав намесозад; намояндагии мавҷудаи хусусиятҳои CNN-ро аз нав вазнгузорӣ мекунад.

Таваҷҷуҳи фазоӣ

Пас аз таваҷҷуҳи каналӣ харитаи таваҷҷуҳи фазоӣ \(M_s\) муайян мекунад, ки хусусиятҳо дар кадом ҷойҳои тасвир муҳимтаранд:

\[ F'' = M_s(F') \otimes F' \]

Тибқи манбаъ, ҳангоми сохтани таваҷҷуҳи фазоӣ average pooling ва max pooling дар андозаи канал татбиқ шуда, сипас конволютсияи 7 × 7 истифода мешавад. Метавон гуфт, ки таваҷҷуҳи каналӣ ба саволи «кадом навъҳои хусусият муҳиманд?» ва таваҷҷуҳи фазоӣ ба саволи «хусусиятҳои кадом ҷойи тасвир муҳиманд?» ҷавоб медиҳад.

Чаро ҳам таваҷҷуҳи каналӣ ва ҳам фазоӣ истифода мешаванд?

Дар тасвири чеҳра ҳамаи каналҳои хусусиятҳо ва ҳамаи минтақаҳои пикселӣ барои тасниф арзиши якхелаи иттилоотӣ надоранд. Ду марҳилаи пайдарпайи CBAM ҳадаф доранд, ки шабака ҳам аз рӯи навъи хусусият ва ҳам аз рӯи ҷойгиршавӣ интихобгар бошад. Манбаъ қайд мекунад, ки ин механизм барои баланд бардоштани қувваи намояндагӣ ва таъкид кардани хусусиятҳои фарқкунанда истифода шудааст.

Grad-CAM дар Ин Таҳқиқот Чиро Нишон Медиҳад?

Gradient-weighted Class Activation Mapping (Grad-CAM) усули post hoc-и шарҳпазирӣ мебошад, ки нишон медиҳад кадом минтақаҳои тасвир ба пешгӯии як синфи муайян аз ҷониби CNN бештар саҳм мегузоранд ва онҳоро дар шакли харитаи гармӣ намоиш медиҳад. Дар ин таҳқиқот Grad-CAM барои муқоисаи тақсимоти таваҷҷуҳи моделҳо дар рӯй ҳангоми таснифи ASD ва non-ASD истифода шудааст; минтақаҳои гарм биомаркерҳои клиникӣ нестанд, балки минтақаҳои визуалие мебошанд, ки ба қарори модел саҳм гузоштаанд.

Вазнҳои Grad-CAM

Манбаъ барои синфи \(c\) вазни аҳамияти харитаи хусусияти \(A^k\)-ро чунин муайян мекунад:

\[ \alpha_k^c = \frac{1}{Z} \sum_i \sum_j \frac{\partial y^c}{\partial A_{ij}^k} \]

Дар ин ҷо \(y^c\) холи синфи баррасишаванда; \(A_{ij}^k\) қимати харитаи хусусияти \(k\)-ум дар мавқеи \(i,j\); ва \(Z\) истилоҳи нормализатсионии вобаста ба шумораи пикселҳои харитаи хусусиятҳоро ифода мекунад. Ҳосила чен мекунад, ки холи синф ба тағйир дар харитаи хусусияти муайян то чӣ андоза ҳассос аст.

Харитаи ниҳоии Grad-CAM дар манбаъ:

\[ L_{\mathrm{Grad-CAM}}^c = \mathrm{ReLU} \left( \sum_k \alpha_k^c A^k \right) \]

дода шудааст. ReLU визуализатсияи минтақаҳоеро, ки ба холи синф саҳми мусбат мегузоранд, барҷаста мекунад.

Мушоҳидаҳои Grad-CAM дар манбаъ

Шакли 6 дар саҳифаҳои 12–13 тасвири аслӣ, ниқоби Grad-CAM ва харитаи таваҷҷуҳи рӯи тасвирро паҳлу ба паҳлу нишон медиҳад. Манбаъ гузориш медиҳад, ки Model 1, Model 2 ва Model 3 ба минтақаҳои васеътаре чун рухсора, бинӣ, манаҳ ва пешонӣ тамаркуз мекунанд; YOLO8-CBAM махсусан ба чашмҳо ва даҳон, ва ResNet18-CBAM асосан ба минтақаи даҳон равона шудааст.

Ин визуализатсия барои тахминан фаҳмидани «модел ҳангоми қароргирӣ ба куҷо менигарад?» кӯмак мекунад. Аммо фаъолии баланд дар Grad-CAM маънои онро надорад, ки он минтақа нишонаи клиникии сабабии ASD мебошад.

Маҷмуаи додаҳо

Муайян ва ҳамвор кардани чеҳра бо MTCNN

Тасвирҳои хоми чеҳра бевосита ба таснифкунанда дода нашудаанд. Multi-task Cascaded Convolutional Neural Network (MTCNN) аввал барои муайян кардани чеҳра ва ҳамворсозии геометрии он истифода шудааст.

MTCNN сохтори семарҳилавӣ дорад:

1. P-Net: дар пирамидаи тасвир номзадҳои зиёди чеҳра месозад ва баҳодиҳии тахминии landmark-и чеҳраро анҷом медиҳад.
2. R-Net: қисми зиёди номзадҳои P-Net-ро хориҷ мекунад ва координатаҳои bounding box-ро дақиқтар менамояд.
3. O-Net: bounding box-и ниҳоӣ, холи эътимод ва панҷ landmark-и чеҳраро, ки кунҷҳои чашм ва нӯги биниро дар бар мегиранд, ҳисоб мекунад.

Ҳадафи ин марҳилаи пешкоркард аз он иборат аст, ки таснифи шабака то ҳадди имкон аз мавқеи сар ё фарқиятҳои буридани тасвир мустақил шавад ва минтақаи чеҳра ба вуруди CNN бо шакли устувортар пешниҳод гардад.

Се меъмории аслии CNN

Model 1 амиқтарин меъмории аслӣ ва Model 3 сатҳӣтарин меъмории аслӣ мебошад. Тибқи натиҷаҳои манбаъ, зиёд кардани шумораи қабатҳо дар моделҳои аслӣ иҷроишро дар ин маҷмуаи додаҳо пайваста беҳтар накардааст; баръакс, Model 3 нисбат ба Model 1 ва Model 2 accuracy ва AUC баландтар гирифтааст.

Меъмориҳои пешакӣ омӯзонидашуда

YOLO8, ҳамчун яке аз шабакаҳои пешакӣ омӯзонидашуда дар таҳқиқот истифода шуда, ҳадаф аз ҳамгироии CBAM пас аз блокҳои интихобшудаи конволютсионӣ аз нав вазнгузории хусусиятҳо будааст.

ResNet18, шабакаи дуюми пешакӣ омӯзонидашуда мебошад, ки residual/skip connection истифода мебарад. Аз бартарии пайвастҳои residual барои нигоҳ доштани ҷараёни градиент ҳангоми омӯзиши намояндагиҳои амиқтар истифода мешавад. Дар таҳқиқот ин меъморӣ низ бо CBAM якҷо карда шудааст.

Усул ва Натиҷаҳои Таҳқиқот

Сахтафзор ва нармафзор

Манбаъ инчунин китобхонаҳои Pandas 2.3.3, Torch 2.2.2, Scikit-learn 1.7.2, Pillow 10.2.0, Matplotlib 3.10.8, Seaborn 0.13.2, TensorFlow 2.19.1 ва Tqdm 4.67.1-ро гузориш медиҳад.

Ҳудуди такроршавандагӣ: Манбаъ learning rate, batch size, шумораи epoch ва андозаи тасвирро гузориш медиҳад; аммо optimizer ва loss function-и истифодашуда ба таври равшан зикр нашудаанд. Ҳамчунин робитаи дақиқи татбиқи маҷмуаҳои пешакӣ ҷудошудаи омӯзиш/test/тасдиқ бо санҷиши салибии панҷқабата муфассал шарҳ дода нашудааст.

Сохтори математикии метрикаҳои иҷро

Дар confusion matrix:

• \(TP\): мусбати дуруст,
• \(TN\): манфии дуруст,
• \(FP\): мусбати нодуруст,
• \(FN\): манфии нодуруст

таъриф мешаванд.

Accuracy:

\[ Accuracy = \frac{TP+TN} {TP+TN+FP+FN} \]

Месанҷад, ки чӣ қадар аз ҳамаи намунаҳо дуруст тасниф шудаанд. Вақте синфҳо ё арзиши хатоҳо асимметрӣ мебошанд, accuracy танҳо кофӣ нест.

Precision:

\[ Precision = \frac{TP}{TP+FP} \]

Месанҷад, ки чӣ қадар аз намунаҳои мусбат таснифшуда воқеан ба синфи мусбат тааллуқ доранд.

Recall:

\[ Recall = \frac{TP}{TP+FN} \]

Нишон медиҳад, ки чӣ қадар аз мусбатҳои воқеӣ аз ҷониби модел ошкор шудаанд.

F1-score:

\[ F1 = 2 \frac{Precision \times Recall} {Precision+Recall} \]

Миёнаи гармоникии Precision ва recall мебошад ва ду самти хаторо дар як нишондиҳандаи иҷро муттаҳид мекунад.

False Positive Rate:

\[ FPR = \frac{FP}{FP+TN} \]

Ҳиссаи намунаҳои воқеан манфиро, ки иштибоҳан ба синфи мусбат гузошта шудаанд, ифода мекунад.

False Negative Rate:

\[ FNR = \frac{FN}{TP+FN} \]

Ҳиссаи намунаҳои воқеан мусбатест, ки модел онҳоро аз даст додааст.

Matthews Correlation Coefficient:

\[ MCC = \frac {TP \times TN-FP \times FN} {\sqrt{(TP+FP)(TP+FN)(TN+FP)(TN+FN)}} \]

MCC чор ҷузъи confusion matrix-ро якҷо истифода бурда, иҷрои таснифи дуиро дар як қимат ҷамъбаст мекунад.

Номувофиқатӣ дар муодилаи AUC-и манбаъ

Манбаъ дар Муодилаи 13 чунин ифода медиҳад:

\[ AUC = \frac{TP\ Rate}{FP\ Rate} \]

Аммо ҳамон мақола дар ҷойҳои дигар AUC-ро ҳамчун масоҳати зери каҷи ROC меномад ва дар Шакли 5 қиматҳои AUC-ро аз рӯи каҷҳои ROC нишон медиҳад. Аз ин рӯ, навишти Муодилаи 13 бо истифодаи матнӣ/визуалии AUC пурра мувофиқат намекунад. Verianla ин муодиларо хомӯшона ба формулаи дигар табдил намедиҳад ва номувофиқатии дохили манбаъро ошкор нигоҳ медорад.

Кадом Модели CNN-CBAM Баландтарин Иҷроро Нишон Дод?

Тибқи Ҷадвали 1 ва бахши натиҷаҳои манбаъ, YOLO8-CBAM бо accuracy 0,776, MCC 0,600 ва AUC 0,912 дар маҷмӯъ қавитарин модели таҳқиқот интихоб шудааст; аммо ResNet18-CBAM бо 0,792 баландтарин F1-score ва бо 0,163 пасттарин FNR-ро дорад. Аз ин рӯ, баҳодиҳии «беҳтарин» ба метрикаи иҷрои истифодашуда вобаста аст ва дар ҳамаи меъёрҳо як модел бартар нест.

Ёддошти имло: Дар Ҷадвали 1 ва баъзе шарҳҳои шакл дар манбаъ барои YOLO8-CBAM шакли «Yolo8-CABM» низ истифода шудааст. Азбаски CBAM номи canonical-и модуле мебошад, ки мақола муайян кардааст, дар матни Verianla мафҳуми илмӣ ҳамчун YOLO8-CBAM нигоҳ дошта мешавад, аммо CABM ҳамчун фарқи дохилии имлои манбаъ сабт мешавад.

Моделҳои аслии CNN чиро нишон доданд?

Дар байни се модели аслӣ Model 3 баландтарин натиҷаро додааст: accuracy 0,746 ва AUC 0,841. Қимати accuracy барои Model 1 0,683 ва барои Model 2 0,706 аст.

Манбаъ шарҳ медиҳад, ки дар CNN-ҳои аслӣ бо зиёд шудани шумораи қабатҳо сифати тасниф тамоюли пастшавӣ нишон додааст ва шабакаҳои амиқтари аслӣ шояд дар мутобиқшавӣ ба маҷмуаи додаҳои мавҷуда мушкилӣ доштаанд. Ин натиҷа танҳо барои меъмориҳо ва маҷмуаи додаҳои баррасишуда эътибор дорад; он хулосаи «шабакаҳои амиқ дар таснифи ASD умуман бадтаранд»-ро дастгирӣ намекунад.

YOLO8-CBAM ва ResNet18-CBAM

Ду меъмории пешакӣ омӯзонидашуда қиматҳои наздики accuracy додаанд: YOLO8-CBAM 0,776, ResNet18-CBAM 0,773. Аммо профилҳои хато фарқ мекунанд. Тибқи Ҷадвали 1, FPR-и YOLO8-CBAM 0,063 ва FPR-и ResNet18-CBAM 0,269 мебошад. Дар муқобил, FNR-и ResNet18-CBAM бо 0,163 аз 0,297-и YOLO8-CBAM пасттар аст.

Ин асимметрия нишон медиҳад, ки интихоби модел набояд танҳо бар асоси accuracy анҷом дода шавад. Агар дар як барнома аҳамияти нисбии хатои мусбати нодуруст ва манфии нодуруст фарқ кунад, ҳамон ду модел метавонанд ба таври дигар арзёбӣ шаванд.

Мушкилоти мувофиқкунии натиҷаҳои YOLO8 ва ResNet18 дар манбаъ

Ҷадвали 1-и манбаъ барои YOLO8-CBAM AUC=0,912 ва FPR=0,063; барои ResNet18-CBAM AUC=0,878 ва FPR=0,269 гузориш медиҳад. Аммо як ҷумла дар матни натиҷаҳо ба ResNet18-CBAM AUC=0,912 ва FPR=0,063 нисбат медиҳад; specificity-и %73,1 дар ҳамон ҷумла бо FPR=0,269 мувофиқ аст.

Дар тартиби панелҳои Шакли 5 низ номувофиқатии монанд мавҷуд аст: caption панели d2-ро ResNet18-CBAM ва панели e2-ро YOLO8-CBAM меномад, дар ҳоле ки тасвир барои d2 AUC=0,9120 ва барои e2 AUC=0,8784 нишон медиҳад. Инҳо бо тартиби моделҳо дар Ҷадвали 1 мухолифанд.

Аз ин рӯ, дар Verianla ҳамчун source-of-truth барои муқоисаи ададӣ Ҷадвали 1 ва қиматҳои асосии YOLO8-CBAM, ки дар abstract/conclusion такрор шудаанд, қабул шудаанд; мувофиқати панел-модел дар Шакли 5 ҳамчун додаи мустақилона тасдиқшуда истифода нашудааст.

Муқоисаи адабиёт

Ин ҷадвал натиҷаҳои адабиётро барои муқоисаи контекстӣ паҳлу ба паҳлу меорад. Азбаски манбаъ нишон намедиҳад, ки ҳамаи таҳқиқот як маҷмуаи додаҳо, тақсимоти додаҳо ва протоколи таҷрибаро истифода кардаанд, ин рақамҳо набояд ҳамчун рейтинги назоратшудаи head-to-head benchmark шарҳ дода шаванд.

Оё Ин Натиҷаҳо Маънои Ташхиси Клиникии Аутизмро Доранд?

Не. Натиҷаҳои таҳқиқот иҷрои моделҳои CNN-CBAM-ро дар ҷудо кардани синфҳои ASD/non-ASD дар як маҷмуаи ягонаи тасвирҳои чеҳраи нишондодашуда нишон медиҳанд; эътибори ташхисӣ дар популятсияҳои мустақили клиникӣ, иҷрои скрининги проспективӣ ё муносиб будан барои истифодаи воқеии тиббӣ тасдиқ нашудааст. Муаллифон низ таъкид мекунанд, ки як маҷмуаи додаҳо умумисозиро маҳдуд мекунад ва дар маҷмуаҳои нави додаҳои бо дастгирии мутахассисон таҳияшуда тасдиқи иловагӣ лозим аст.

Мушкилоти як маҷмуаи додаҳо

Вақте модел дар як маҷмуаи додаҳо омӯзонида мешавад, он метавонад на танҳо сохторҳои визуалии эҳтимолан вобаста ба ASD, балки қолабҳои замина, равшанӣ, камера, буриш, тақсимоти синну сол ё дигар хусусиятҳои хоси шароити ҷамъоварии додаҳоро низ омӯзад. Дар бахши маҳдудиятҳои манбаъ ин мушкил мустақиман зикр шудааст: модел метавонад қолабҳои хоси маҷмуаи додаҳоро омӯзад ва дар тақсимоти номаълуми додаҳо ҳамон иҷроишро нишон надиҳад.

Тасдиқи беруна

Таҳқиқот тасдиқи моделро дар маркази беруна ё популятсияи мустақили воқеӣ гузориш намедиҳад. Муаллифон пешниҳод мекунанд, ки дар оянда маҷмуаҳои гуногуни додаҳо, меъмориҳои самараноктар ва додаҳои нави тестӣ бо саҳми равоншиносони клиникии мутахассис дар арзёбии барвақти ASD истифода шаванд.

Хароҷоти ҳисоббарорӣ

Манбаъ инчунин қайд мекунад, ки таснифи CNN аз ҷиҳати ҳисоббарорӣ гарон ва вақтталаб аст. Шумораи зиёди қабатҳои конволютсионӣ, параметрҳо ва омӯзиши такрорӣ метавонанд вақти омӯзиш ва inference-ро барои тасвирҳои баландсифат ё маҷмуаҳои калони додаҳо зиёд кунанд. Ин барои истифода дар муҳитҳои вақти воқеӣ ё дорои захираҳои маҳдуд боз як маҳдудият аст.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад ва намекунад

Ёддошт оид ба Манбаъ ва Усул

Ёддошти дода/этика: Дар мақола майдонҳои Institutional Review Board ва informed consent ҳамчун «Not applicable» дода шудаанд. Бо вуҷуди ин, Data Availability Statement мегӯяд, ки коркарди тасвирҳо мутобиқи Эъломияи Helsinki анҷом шуда ва протоколи манбаъ аз ҷониби Duke University Medical Center Center for Developmental Epidemiology бо рақами R01 MH081025 тасдиқ шудааст. Эҳтимол ин гуфтаҳо ба заминаи истифодаи дубораи маҷмуаи мавҷуда/дуюмдараҷаи додаҳо вобастаанд; мақола робитаи байни ду баёнотро алоҳида муфассал шарҳ намедиҳад.

Ёддошт оид ба манбаи додаҳои Шакли 6: Дар ҳоле ки бахши маҷмуаи додаҳои мақола маълумоти таснифро ба сабти Zenodo мепайвандад, гуфта мешавад, ки тасвири намунавии Шакли 6, ки барои Grad-CAM истифода шудааст, аз National Institute of Mental Health Child Emotional Faces Picture Set (NIMH-ChEFS) гирифта шудааст. Мақола робитаи ин тасвирро бо маҷмуаи асосии додаҳои тасниф алоҳида муфассал намекунад.

Саҳми муаллифон: Ioana Diana Moldovanu — консептуализатсия, тасдиқ, таҳқиқот ва куратсияи додаҳо; Ecaterina Popa — методология, таҳлили формалӣ, навиштани лоиҳаи аввал ва визуализатсия; Simona Moldovanu — нармафзор, захираҳо, бозбинӣ/таҳрир, назорат ва идоракунии лоиҳа. Зикр шудааст, ки ҳамаи муаллифон нусхаи нашршударо хонда ва тасдиқ кардаанд.

Ёддошти мутобиқати дохили манбаъ: Байни Ҷадвали 1, матни натиҷаҳо ва Шакли 5, махсусан дар мувофиқ кардани қиматҳои AUC/FPR-и YOLO8-CBAM ва ResNet18-CBAM, номувофиқатӣ вуҷуд дорад. Илова бар ин, ихтисораи CBAM дар баъзе ҷойҳо CABM навишта шудааст. Verianla дар муқоисаи ададӣ Ҷадвали 1-ро ҳамчун манбаи асосӣ истифода бурда, зиддиятҳоро ошкор нигоҳ доштааст.

Ёддошти муодила: Манбаъ дар Муодилаи 13 AUC-ро ҳамчун TP Rate / FP Rate менависад; дар ҳамон мақола AUC ҳамчун масоҳати зери каҷи ROC истифода мешавад. Ин фарқи дохили манбаъ ҳамчун ислоҳшуда нишон дода нашудааст.

Ёддошти такроршавандагӣ: Манбаъ batch size, learning rate, epoch, андозаи тасвир, китобхонаҳои асосии нармафзор ва санҷиши салибии панҷқабатаро гузориш медиҳад, аммо optimizer ва loss function-ро равшан зикр намекунад. Робитаи татбиқи тақсимоти собити омӯзиш/test/тасдиқ бо санҷиши салибии панҷқабата низ муфассал шарҳ дода нашудааст.

Маҳдудияти асосии методологӣ: Азбаски таҳқиқот ба як маҷмуаи додаҳо такя мекунад, тасдиқи мустақили беруна надорад ва иҷрои проспективӣ дар истифодаи воқеии клиникӣ санҷида нашудааст, метрикаҳои гузоришшуда бояд ҳамчун иҷрои тасниф дар доираи маҷмуаи додаҳо шарҳ дода шаванд.