GeneticNAS: gelişmiş ASD taraması için kendini evrimleştiren yeni bir sinir mimarisi

Daha hızlı otizm taramalarının önemi

Birçok aile için bir çocuğun otizm spektrumunda olup olmadığına dair net bir yanıt almak yıllar sürebilir. Mevcut değerlendirmeler, birçok bölgede kıt olan son derece eğitimli uzmanlarla yapılan uzun, yüz yüze oturumlara dayanır. Bu makale, standart otizm değerlendirmeleri sırasında çocukların hareketlerindeki ince desenleri en iyi nasıl okuyacağını kendi başına öğrenen yeni bir yapay zeka sistemini tanımlıyor. Amaç klinisyenlerin yerini almak değil; onların mütevazı bilgisayarlarda bile çalışabilecek hızlı ve güvenilir bir tarama aracı almasını sağlamaktır.

Oyun videolarını ölçülebilir desenlere dönüştürmek

Çalışma, yaygın olarak kullanılan yapılandırılmış oyun temelli değerlendirme olan Otizm Tanısal Gözlem Çizelgesi (ADOS) üzerine kuruludur. Uzmanların davranışları elle puanlaması yerine, araştırmacılar 160 çocuğun kısa videolarıyla başlıyor; bunların yarısı otizmli, yarısı tipik gelişim gösteren çocuklar. Bilgisayarlı görü yazılımı omuzlar, dirsekler ve kafa pozisyonu gibi vücutta 33 kilit noktayı kare kare izliyor. Bu izlerden ekip, her anı yakalayan 2.048 değerlik zengin betimlemeler oluşturuyor; bir çocuğun nasıl akıcı hareket ettiği, bakış ve duruşunun nasıl değiştiği ve bu desenlerin zaman içinde nasıl evrildiği gibi. Titiz kalite kontrolleri, ölçümlerin birçok oturum boyunca kararlı olmasını ve otizm ile otizm dışı gruplar arasında dengeli olmasını sağlıyor.

Bilgisayarın kendi beynini tasarlamasına izin vermek

Modern yapay zekanın arkasındaki çok katmanlı matematiksel yapı olan bir sinir ağını el ile tasarlamak yerine, yazarlar en iyi tasarımı aramak için otomatik bir sürecin devreye girmesine izin veriyor. Evrimden esinlenen bir yaklaşımla çalışıyorlar: her biri farklı katman türleri ve ayarlarla oluşturulmuş bir aday ağ popülasyonu oluşturuluyor. Bazı katmanlar veriyi basitçe dönüştürüyor; diğerleri kısa yol bağlantıları ekliyor ya da önemli sinyalleri vurgulamak için bilgiyi sıkıştırıp yeniden genişletiyor. Sistem, her adayın otizmi tipik gelişimden ne kadar iyi ayırt ettiğini değerlendiriyor, ardından daha iyi olanları “yetiştirip” tasarımlarını karıştırıp mutasyona uğratarak on nesil boyunca güçlü bir mimari ortaya çıkana kadar ilerliyor.

Hesaplama gücünün daha akıllıca kullanımı

Ana yeniliklerden biri, arama sürecinin gerçek dünya donanım sınırlamalarına saygı gösterecek şekilde tasarlanmış olmasıdır. Benzer birçok yöntem, çoğu klinikte bulunmayan 16 gigabayt veya daha fazla belleğe sahip üst düzey grafik kartlarına ihtiyaç duyar. Burada arama yalnızca doğruluk tarafından değil, aynı zamanda her modelin ne kadar bellek ve zaman kullandığı tarafından da yönlendiriliyor. Eğitimi daha küçük parçalara ayırma ve aşırı ağır tasarımları cezalandırma gibi teknikler, sistemin önceki çalışmalara göre %76 azaltmayla yaklaşık 2,1 gigabayt bellekte çalışmasını sağlarken yine de milyonlarca olası ağ düzenini keşfetmesine izin veriyor. Nihai modelde yalnızca 2,8 milyon ayarlanabilir ağırlık bulunuyor ve bir çocuğun verisini örnek başına yaklaşık 15 milisaniyede işleyebiliyor.

Sistemin çocukları ne kadar iyi ayırt edebildiği

1,3 milyondan fazla görülmemiş örnek üzerinde test edildiğinde, seçilen ağ her 100 örnekten yaklaşık 95’ini doğru sınıflandırdı; bu, güçlü mevcut derin öğrenme temellerine göre açık bir iyileşme. Kaçırılan vakalar ile yanlış alarmlar arasındaki takasların analizi, ROC eğrisi altındaki çok yüksek alanı (0.986) gösterdi; bu da modelin farklı klinik önceliklere göre ayarlanabileceği anlamına geliyor, performansta çöküş olmadan. Önemli olarak, başarı oranı otizmli çocuklar ile tipik gelişim gösteren çocuklar için neredeyse aynıydı; bu da modelin tek bir gruba eğilimli olmadığını düşündürüyor. Titiz istatistiksel testler ve daha basit ağlarla karşılaştırmalar, katman türlerinin karışımını ve evrimden esinlenen aramayı kullanmanın bu performans için her ikisinin de kritik olduğunu doğruladı.

Bu aileler ve klinikler için ne anlama gelebilir

Basitçe söylemek gerekirse, çalışma gerçekçi miktarda hesaplama gücü kullanarak otizmle ilişkili hareket ve etkileşim desenlerini tespit etmek üzere kompakt, hızlı bir yapay zeka sistemi eğitmenin mümkün olduğunu gösteriyor. Böyle bir araç, özellikle uzmanların kıt olduğu yerlerde, tanı yolculuğunda risk altındaki çocukları daha erken işaretlemeye yardımcı olabilir ve klinisyenlere nesnel bir ikinci görüş sağlayarak destek olabilir. Yazarlar çalışmalarının sınırlılıklarını vurguluyor—sadece tek bir ülkeden çocuklarla kontrollü klinik ortamlarda test edildiği ve henüz insan dilinde kararlarını açıklamadığı belirtiliyor. Yine de sonuçlar, kendini tasarlayan sinir ağlarının gelecekteki otizm taramalarının pratik bir parçası haline gelebileceğini ve birçok ailenin yanıt almak için beklediği uzun süreleri kısaltmaya yardımcı olabileceğini öne sürüyor.

Atıf: Alzahrani, A.R., Alboaneen, D. & Alzahrani, I.R. GeneticNAS: a novel self-evolving neural architecture for advanced ASD screening. Sci Rep 16, 6304 (2026). https://doi.org/10.1038/s41598-026-35972-x

Anahtar kelimeler: otizm taraması, sinir mimarisi araması, genetik algoritmalar, poz tahmini, klinik yapay zeka