Artificial Intelligence and Computational Approaches for the Identification of Clinical Markers in Autism Spectrum Disorder (ASD)

dc.contributor.authorTEBIB , Oumaima
dc.contributor.authorSABER , Feriel
dc.contributor.authorLAKEHAL , Abderrahim Supervisor
dc.date.accessioned2026-11-17T10:32:24Z
dc.date.issued2026
dc.description.abstractThis abstract discusses the integration of artificial intelligence (AI) and deep learning (DL) and machine laerning (ML) in the identification of clinical markers for Autism Spec-trum Disorder (ASD). It emphasizes the use of heterogeneous clinical, behavioral, and neuropsychological data combined with machine learning techniques to improve early diagnosis and patient stratification. Large-scale datasets and recent advances in data collection technologies have enabled the availability of complex ASD-related data, high-lighting the need for efficient computational approaches to extract meaningful patterns and biomarkers. The study highlights the importance of data preprocessing, including quality con-trol, normalization, and integration, to ensure the reliability and robustness of predictive models. Feature selection and dimensionality reduction techniques are applied to handle high-dimensional data, reduce noise, and identify the most discriminative clinical fea-tures associated with ASD. The performance of the proposed models is evaluated using standard metrics such as accuracy, precision and recall. This study develops a deep learning-based framework for identifying and predicting ASD-related clinical markers. The model incorporates advanced architectures, such as Convolutional Neural Networks (CNN) and other machine learning algorithms, and is trained on integrated multimodal datasets. To evaluate the effectiveness of the approach, different strategies are compared, including traditional feature selection methods and AI-driven automated feature extraction techniques. In conclusion, the experimental results demonstrate that AI-based models out-perform conventional statistical approaches in identifying relevant clinical markers and improving diagnostic accuracy. The ability of deep learning models to capture com-plex patterns and interactions within heterogeneous ASD data contributes significantly to their superior performance. These findings highlight the potential of AI in enhanc-ing early diagnosis, clinical decision-making, and personalized intervention strategies for Autism Spectrum Disorder.
dc.description.sponsorshipCe résumé aborde l’intégration de l’intelligence artificielle (IA), de l’apprentissage pro-fond (AP) et de l’apprentissage automatique (AA) dans l’identification de marqueurs cliniques des troubles du spectre de l’autisme (TSA). Il met l’accent sur l’utilisation de données cliniques, comportementales et neuropsychologiques hétérogènes, combinées à des techniques d’apprentissage automatique, afin d’améliorer le diagnostic précoce et la stratification des patients. L’abondance des jeux de données et les progrès récents des technologies de collecte de données ont permis d’accéder à des données complexes sur les TSA, soulignant la nécessité d’approches informatiques efficaces pour extraire des modèles et des biomarqueurs pertinents. L’étude souligne l’importance du prétraitement des données, incluant le contrôle qualité, la normalisation et l’intégration, pour garantir la fiabilité et la robustesse des modèles prédictifs. Des techniques de sélection de caractéristiques et de réduction de dimensionnalité sont appliquées pour traiter les données de grande dimension, réduire le bruit et identifier les caractéristiques cliniques les plus discriminantes associées aux TSA. La performance des modèles proposés est évaluée à l’aide de métriques standard telles que l’exactitude, la précision et le rappel. Cette étude développe un cadre basé sur l’apprentissage profond pour identifier et prédire les marqueurs cliniques liés aux troubles du spectre de l’autisme (TSA). Le modèle intègre des architectures avancées, telles que les réseaux de neurones convolutifs (CNN) et d’autres algorithmes d’apprentissage automatique, et est entraîné sur des ensembles de données multimodaux intégrés. Afin d’évaluer l’efficacité de l’approche, différentes stratégies sont comparées, notamment les méthodes traditionnelles de sélection de car-actéristiques et les techniques d’extraction automatique de caractéristiques pilotées par l’IA. En conclusion, les résultats expérimentaux démontrent que les modèles basés sur l’IA surpassent les approches statistiques conventionnelles pour identifier les marqueurs cliniques pertinents et améliorer la précision du diagnostic. La capacité des modèles d’apprentissage profond à appréhender les schémas et interactions complexes au sein de données hétérogènes relatives aux troubles du spectre de l’autisme (TSA) contribue significativement à leurs performances supérieures. Ces résultats soulignent le potentiel de l’IA pour améliorer le diagnostic précoce, la prise de décision clinique et les stratégies d’intervention personnalisées pour les TSA.
dc.identifier.otherMAI/1173
dc.identifier.urihttps://repository.univ-setif.dz/handle/123456789/4347
dc.language.isoen
dc.publisherUnuversity Setif 1 Ferhat Abbas . Faculty of Sciences
dc.subjectAutism Spectrum Disorder (ASD)
dc.subjectArtificial Intelligence
dc.subjectMachine Learning
dc.subjectDeep Learning
dc.subjectFeature Extraction
dc.subjectNeuroimaging
dc.subjectClassification
dc.titleArtificial Intelligence and Computational Approaches for the Identification of Clinical Markers in Autism Spectrum Disorder (ASD)
dc.typeThesis

Files

Original bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
MAI1173.pdf
Size:
3.16 MB
Format:
Adobe Portable Document Format

License bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description: