Otizm Tespitinde Şeffaf Derin Öğrenme Yöntemleri Kara Kutu Modelleri Geride Bıraktı
Otizm Tespitinde Şeffaf Derin Öğrenme Yöntemleri Kara Kutu Modelleri Geride Bıraktı
Yeni bir araştırma, otizm teşhisinde şeffaf yapay zeka modellerinin kara kutu yaklaşımlarına göre daha güvenilir ve başarılı sonuçlar sunduğunu gösteriyor.
Önemli Noktalar
- Şeffaf ML modeli, karışık veriyle eğitimde %97 duyarlılık ve %98 özgüllük elde etti.
- Kara kutu model, aynı koşullarda daha düşük performans gösterdi (%90 duyarlılık, %96 özgüllük).
- Karışık veriyle eğitim, transfer öğrenmede en iyi sonuçları verdi.
Araştırmanın Özeti
Otizm spektrum bozukluğu (ASD), karmaşık bir nörogelişimsel rahatsızlık olup, artan yaygınlığı nedeniyle teşhis süreçlerinde daha hızlı ve güvenilir yöntemlere ihtiyaç duyuluyor. Makine öğrenimi (ML), otizm teşhisinde umut vadetse de, mevcut modellerin çoğu “kara kutu” olarak tanımlanıyor ve genellikle tek bir veri setiyle eğitildikleri için genellenebilirlikleri sınırlı kalıyor.
Teknik Detaylar
Araştırmacılar, klinik notlardaki yapılandırılmamış metinleri analiz etmek için BioBERT adlı gelişmiş bir dil modelinden yararlanan şeffaf ve yorumlanabilir bir ML yaklaşımı geliştirdi. Model, davranış tanımlarını etiketleyip tanı kriterleriyle eşleştirerek nihai olarak ASD veya değil etiketini atayabiliyor.
Transfer öğrenme yeteneklerini değerlendirmek amacıyla iki farklı gerçek dünya veri seti kullanıldı. Araştırmada, veri setleriyle hem sıralı hem de karışık şekilde eğitim gerçekleştirildi ve en iyi modellerin yeni verilere aktarım başarısı karşılaştırıldı. Ayrıca, aynı süreç kara kutu bir modelle de tekrarlandı.
Bulgular ve Sonuçlar
Karışık veriyle eğitilen şeffaf model, %97 duyarlılık ve %98 özgüllük ile en yüksek performansa ulaştı. Sıralı eğitimde ise performansta hafif bir düşüş gözlendi ve veri setlerinin eğitim sırası önem kazandı. Kara kutu model, hem sıralı hem de karışık eğitimde (%90 duyarlılık, %96 özgüllük) şeffaf modele göre geride kaldı.
Sonuç olarak, şeffaf ve yorumlanabilir ML yaklaşımı, otizm teşhisinde kara kutu modellere kıyasla daha güvenilir ve genellenebilir sonuçlar sunuyor. Özellikle karışık veriyle eğitim, transfer öğrenmede en iyi sonuçları sağladığı için tercih edilmesi öneriliyor. Bu çalışma, nörogelişimsel tanılarda daha güvenilir ve klinik açıdan uygulanabilir yapay zeka araçlarının yolunu açıyor.
Daha Fazla Bilgi İçin
En güncel gelişmeleri takip etmek için sosyal medya hesaplarımızı (@synvalo) ziyaret edebilirsiniz.
Kaynak: arxiv.org