Methodology to Weight Evaluation Areas from Autism Spectrum Disorder ADOS-G Test with Artificial Neural Networks and Taguchi Method.
Autism diagnosis requires validated diagnostic tools employed by mental health professionals with expertise in autism spectrum disorders. This conventionally requires lengthy information processing and technical understanding of each of the areas evaluated in the tools. Classifying the impact of the...
| Publicado en: | Revista Mexicana de Ingeniería Biomédica Vol. 35; no. 3; pp. 223 - 241 |
|---|---|
| Autores principales: | , , , |
| Formato: | Artículo |
| Publicado: |
Sociedad Mexicana de Ingenieria Biomedica, A.C.
dic2014
|
| Materias: | |
| Acceso en línea: | Ver este registro en EBSCOhost |
| fields | @attributes: recordID: 1 pdfLink: plink: https://search.ebscohost.com/login.aspx?direct=true&db=lth&AN=110277718&site=ehost-live header: @attributes: shortDbName: lth uiTerm: 110277718 longDbName: MedicLatina uiTag: AN controlInfo: bkinfo: jinfo: jid: 01889532 7L3 jtl: Revista Mexicana de Ingeniería Biomédica issn: 01889532 maglogo: N pubinfo: dt: dic2014 vid: 35 iid: 3 pid: 20850 pub: Sociedad Mexicana de Ingenieria Biomedica, A.C. artinfo: ui: 110277718 ppf: 223 ppct: 18 formats: fmt: @attributes: type: P size: 3.5MB tig: atl: Methodology to Weight Evaluation Areas from Autism Spectrum Disorder ADOS-G Test with Artificial Neural Networks and Taguchi Method. aug: au: Reyes, M. Ponce, P. Grammatikou, D. Molina, A. affil: Tec de Monterrey, CCM su: Autism spectrum disorders Artificial neural networks Information processing Taguchi methods Back propagation sug: subj: Autism spectrum disorders Artificial neural networks Information processing Taguchi methods Back propagation keyword: ADOS-G Artificial Neural Networks Autism Spectrum Disorder (ASD) classify diagnosis Feed-forward networks Orthogonal Arrays screening Taguchi Method arreglos ortogonales clasificación detección diagnostico Método de Taguchi Redes neuronales artificiales Trastorno del Espectro Autista (TEA) ab: Autism diagnosis requires validated diagnostic tools employed by mental health professionals with expertise in autism spectrum disorders. This conventionally requires lengthy information processing and technical understanding of each of the areas evaluated in the tools. Classifying the impact of these areas and proposing a system that can aid experts in the diagnosis is a complex task. This paper presents the methodology used to find the most significant items from the ADOSG tool to detect Autism Spectrum Disorders through Feed-forward Artificial Neural Networks with back-propagation training. The number of cases for the network training data was determined by using the Taguchi method with Orthogonal Arrays reducing the sample size from 531,441 to only 27. The trained network provides an accuracy of 100% with 11 different cases used only for validation, which provides a specificity and sensitivity of 1. The network was used to classify the 12 items from the ADOS-G tool algorithm into three levels of impact for Autism diagnosis: High, Medium and Low. It was found that the items "Showing", "Shared enjoyment in Interaction" and "Frequency of vocalization directed to others", are the areas of highest impact for Autism diagnosis. The methodology here presented can be replicated to different Autism diagnosis tests to classify their impact areas as well. El diagnóstico del autismo requiere del uso de herramientas de diagnóstico validadas internacionalmente que son utilizadas por los profesionales de la salud expertos en trastornos del espectro autista, lo cual requiere de procesamiento de mucha información y un entendimiento técnico de cada una de las áreas evaluadas en ellas. La clasificación del impacto que tienen cada una de estas áreas, así como la propuesta de un sistema que pueda ayudar a los expertos en el diagnóstico, es una tarea compleja, por lo que en este artículo se presenta una metodología utilizada para encontrar los elementos más significativos de la herramienta de diagnóstico de autismo ADOS-G a través de redes neuronales artificiales entrenadas con retropropagación del error. El número de casos para entrenamiento de la red se seleccionó utilizando el método de Taguchi con arreglos ortogonales, reduciendo el tamaño de la muestra de 531,441 a solo 27 casos. La red entrenada tiene una exactitud del 100% validada con 11 casos diferentes de niños evaluados para diagnóstico de trastorno del espectro autista con lo que se obtuvo una especificidad y sensibilidad de 1. La red neuronal artificial se utilizó para clasificar los 12 elementos del algoritmo de la herramienta ADOS-G en tres niveles de impacto: Alto, Medio y Bajo. Se encontró que los elementos "Mostrar", "Placer compartido durante la interacción" y "Frecuencia de vocalizaciones dirigidas a otros" son las áreas de mayor impacto para el diagnóstico de autismo. La metodología presentada puede ser replicada para diferentes herramientas de diagnóstico de autismo para clasificar sus áreas de mayor impacto también. pubtype: Academic Journal doctype: Article src: R language: English refInfo: copyright: @attributes: flag: Y custom: Copyright of Revista Mexicana de Ingeniería Biomédica is the property of Sociedad Mexicana de Ingenieria Biomedica, A.C. and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. item: Revista Mexicana de Ingeniería Biomédica holder: Sociedad Mexicana de Ingenieria Biomedica, A.C. dt: @attributes: year: 2014 holdings: @attributes: islocal: N |
|---|