Améliorer la détection des troubles du spectre autistique à l'aide d'un modèle d'apprentissage par ensemble empilé avec IA explicableEnhance autism spectrum disorder detection using stacking ensemble learning model with explainable AI.
- Un modèle d'ensemble empilé (KNN, RF, SVM, NB, DT) avec Random Forest comme méta-classifieur atteint 99% de précision sur le jeu de données Toddler Saudi.
- La technique SMOTE est utilisée pour gérer le déséquilibre des classes dans les données.
- L'importance des caractéristiques est interprétée via la méthode Shapley, offrant une IA explicable.
L'article présente une méthode prometteuse avec des performances élevées, mais l'absence de validation clinique réelle et la source (abstract seul) limitent la certitude. Il est pertinent pour NeuroWatch en raison de l'accent sur le dépistage précoce et l'IA explicable.
Les jeux de données utilisés (Toddler Saudi, Q-CHAT) peuvent ne pas être représentatifs de populations diverses. L'étude ne rapporte pas de validation externe indépendante ni de test en conditions réelles. L'abstract ne précise pas la taille des échantillons ni les biais potentiels liés à la collecte des données.
Cette étude propose un cadre d'apprentissage automatique pour la détection précoce de l'autisme chez les enfants, utilisant un ensemble empilé de classifieurs (KNN, RF, SVM, NB, DT) avec un méta-classifieur Random Forest, optimisé par hyperparamétrage et équilibré avec SMOTE. Les modèles atteignent une précision de 99% sur le jeu de données Toddler Saudi, 98% sur Q-CHAT et 99% sur les ensembles fusionnés. L'analyse Shapley identifie les caractéristiques importantes pour les prédictions. Le cadre vise à aider les cliniciens dans le dépistage de l'autisme.
Un modèle d'ensemble empilé (KNN, RF, SVM, NB, DT) avec Random Forest comme méta-classifieur atteint 99% de précision sur le jeu de données Toddler Saudi. La technique SMOTE est utilisée pour gérer le déséquilibre des classes dans les données. L'importance des caractéristiques est interprétée via la méthode Shapley, offrant une IA explicable. Les performances sont supérieures à celles des classifieurs individuels sur plusieurs jeux de données. Le cadre est conçu pour aider au dépistage précoce de l'autisme chez les enfants.
Cet outil pourrait améliorer le dépistage précoce de l'autisme en contexte clinique, facilitant une intervention rapide. L'IA explicable permet aux cliniciens de comprendre quels facteurs influencent les prédictions, renforçant la confiance dans l'outil. Le modèle pourrait être intégré dans des protocoles de dépistage pour réduire les délais diagnostiques.
Preprint