Η Συμβολή της Μηχανικής Μάθησης στην Ανίχνευση του Αυτισμού με τη Χρήση Δραστηριοτήτων της Θεωρίας του Νου
Abstract
Η Διαταραχή Αυτιστικού Φάσματος (ΔΑΦ) είναι μία νευροαναπτυξιακή διαταραχή που χαρακτηρίζεται από κοινωνικές και επικοινωνιακές δυσκολίες. Η Θεωρία του Νου (ΘτΝ), η οποία ορίζεται ως η κοινωνικο-γνωστική ικανότητα αναγνώρισης, ερμηνείας και πρόβλεψης ψυχολογικών καταστάσεων των άλλων, θεωρείται θεμελιώδης για την κοινωνική αλληλεπίδραση και συσχετίζεται με τις δυσκολίες που παρουσιάζουν τα άτομα με ΔΑΦ. Η πρώιμη διάγνωση της ΔΑΦ είναι σημαντική για την πρόληψη περαιτέρω αναπτυξιακών καθυστερήσεων, ωστόσο μεθοδολογικές και κοινωνικές προκλήσεις καθιστούν τη διαδικασία περίπλοκη και χρονοβόρα. Υπό αυτές τις συνθήκες, υπάρχει κλιμακούμενη ανάγκη για αντικειμενικούς βιοδείκτες που μπορούν να ανιχνεύσουν τη διαταραχή για να διευκολυνθεί η διάγνωσή της. Η Μηχανική Μάθηση (ML) έχει αναδειχθεί ως υποσχόμενη τεχνολογία για τη βελτίωση της ακρίβειας και της αξιοπιστίας στην αναγνώριση της ΔΑΦ, εστιάζοντας σε μη επεμβατικές μεθόδους για την εξαγωγή ιδιαίτερων χαρακτηριστικών που αποτελούν πιθανούς βιοδείκτες. Η πλειονότητα των διαθέσιμων τεχνικών στη βιβλιογραφία αξιοποιεί διαγνωστικές προσεγγίσεις όπως τα Ηλεκτροεγκεφαλογραφήματα (EEG), τα Ηλεκτροκαρδιογραφήματα (ECG), η Μαγνητική Τομογραφία (MRI), η Τεχνολογία Παρακολούθησης Κίνησης Ματιών (Eye-Tracking) και η Εικονική Πραγματικότητα (VR), χωρίς την ενσωμάτωση δεδομένων από δραστηριότητες της ΘτΝ. Η παρούσα διπλωματική εργασία εστίασε στην ανάλυση των υπαρχουσών ερευνών που συνδυάζουν τις τεχνικές ML με δραστηριότητες της ΘτΝ, με στόχο την ανίχνευση αντικειμενικών βιοδεικτών και την καλύτερη κατηγοριοποίηση της ΔΑΦ σύμφωνα με αυτούς. Στο πλαίσιο αυτό, δόθηκε αρχικά περιγραφή των κοινώς χρησιμοποιούμενων αλγορίθμων στις μελέτες που αφορούν τη ΔΑΦ και, στη συνέχεια, πραγματοποιήθηκε βιβλιογραφική ανασκόπηση των ερευνών που ενσωματώνουν στοιχεία από τη ΘτΝ. Παρατηρήθηκε η συμβολή των μεθόδων όπως η Πολυμεταβλητή Αυτοπαλινδρόμηση (MVAR), ο Αλγόριθμος Support Vector Machine με Αναδρομική Εξάλειψη Συσταδοποίησης (RCE-SVM), ο Αλγόριθμος Εξελικτικής Σύζευξης Προτάσεων (CCEA), και η τεχνολογία Explainable AI. Τα πλεονεκτήματα του καθενός απέδειξαν τις δυνατότητες της δημιουργίας και ενσωμάτωσης καινοτόμων συστημάτων ML που αξιοποιούν τη συσχέτιση της ΘτΝ με τη ΔΑΦ για την επίτευξη υψηλών ποσοστών ακρίβειας, με μελλοντικές κατευθύνσεις να στοχεύουν στην ευρεία κλινική εφαρμογή τους και την αντιμετώπιση τεχνικών, δεοντολογικών και πρακτικών περιορισμών.