| Journal: | Revista mexicana de ingeniería biomédica |
| Database: | PERIÓDICA |
| System number: | 000387202 |
| ISSN: | 0188-9532 |
| Authors: | Reyes, M1 Ponce, P1 Grammatikou, D1 Molina, A1 |
| Institutions: | 1Instituto Tecnológico y de Estudios Superiores de Monterrey, Campus Ciudad de México, México, Distrito Federal. México |
| Year: | 2014 |
| Season: | Dic |
| Volumen: | 35 |
| Number: | 3 |
| Pages: | 223-240 |
| Country: | México |
| Language: | Inglés |
| Document type: | Artículo |
| Approach: | Experimental, aplicado |
| Spanish abstract | 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 |
| English abstract | 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 ADOS-G 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 |
| Disciplines: | Medicina, Ingeniería |
| Keyword: | Diagnóstico, Psiquiatría, Ingeniería biomédica, Trastorno del espectro autista, Autismo, Método de Taguchi, Arreglos ortogonales, Redes neuronales artificiales |
| Keyword: | Medicine, Engineering, Diagnosis, Psychiatry, Biomedical engineering, Autism spectrum disorder, Autism, Taguchi method, Orthogonal arrays, Artificial neural networks |
| Full text: | Texto completo (Ver HTML) |
