Comprehensive Analysis of Machine Learning and Deep Learning Approaches for Autism Spectrum Disorder Detection
Notice bibliographique
Résumé
In the modern era, Autism Spectrum Disorder (ASD) is recognised as a complex neurodevelopmental disorder characterised by deficits in social communication and the engagement in repetitive behaviours. Specifically, early and reliable diagnosis is crucial for facilitating timely intervention. However, traditional diagnostic services practised in clinical settings are subjective, slow, and inconsistent. Recent developments in AI, specifically Machine Learning (ML) and Deep Learning (DL) approaches, have demonstrated great promise in overcoming these challenges by utilising a range of multimodal data sources such as Electroencephalography (EEG), facial image analysis, structural Magnetic Resonance Imaging (sMRI) and resting-state functional MRI (rs-fMRI). Furthermore, this survey provides a review of recent studies that use these types of datasets, synthesising studies with respect to methodology, strengths and weaknesses, and performance indicators. Moreover, direct comparisons indicate that DLbased frameworks attain superior classification performance, mainly when employing vision transformers and graph-based transformer architectures. In contrast, traditional ML models illustrate better computational and interpretability efficiency. Furthermore, multimodal fusion techniques that combine DL and ML show robust evidence of increased robustness and generalizability. However, challenges related to data heterogeneity, class imbalance, and scalability for real-world clinical deployment remain unsolved. Therefore, this comprehensive analysis highlights the quick need for explainable, inclusive, and clinically validated frameworks that effectively support ASD detection and enable real-time clinical use.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».