Machine and Deep Learning based Approaches for Autism Spectrum Disorder Identification

Abstract

Dans le domaine des troubles neurodéveloppementaux, identifier avec précision les troubles du spectre autistique présente un grand défi. Cette étude vise à explorer les th´eories de l’autisme, en particulier les notions de surconnectivit´e et de sous-connectivit´e, par l’emploi d’une gamme de méthodes informatiques et de techniques d’apprentissage en profondeur. On commence par étudier différentes stratégies de prétraitement, en mettant l’accent sur leur impact sur la classification précise des sujets autistes. Par la suite, de nouvelles approches, notamment une approche d’élimination mathématique, une approche de renforcement ainsi qu’une technique d’imitation d’images RVB basée sur des méthodes adaptées `a l’autisme, ont été introduites pour étudier et valider les théories existantes de sur connectivité et de sous-connectivité dans le but global d’améliorer l’identification de l’autisme. Les résultats ont démontré la complexité et la nature contextuelle des schémas de connectivité neuronale dans les TSA. Il est intéressant de noter que l’étude a permis d’atteindre une précision d’identification de l’autisme de 96% et a révèle qu’aucune méthode ou combinaison de calcul ne s’est avérée universellement efficace, les résultats changeant constamment avec les différentes approches. On peut donc en conclure que même des méthodes initialement considérées comme incompatibles peuvent donner des résultats remarquables lorsqu’elles sont étudiées et testées en profondeur dans divers contextes. Ces résultats soulignent l’importance d’explorer de multiples stratégies et théories dans les efforts futurs en vue d’atteindre un diagnostic précoce de l’autisme. En intégrant une gamme d’outils et de méthodologies et en affinant continuellement le système de détection, l’objectif d’une identification précise et précoce de l’autisme peut être considérablement avancé.