ИНТЕГРАЦИЯ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И МАШИННОГО ОБУЧЕНИЯ ДЛЯ ВЫЯВЛЕНИЯ РАССТРОЙСТВ АУТИСТИЧЕСКОГО СПЕКТРА: ОБЗОР СОВРЕМЕННОГО СОСТОЯНИЯ С ИСПОЛЬЗОВАНИЕМ РЕШЕНИЙ ДЛЯ МУЛЬТИМОДАЛЬНОЙ ОБРАБОТКИ ДАННЫХ

Эль Хамзауи О. Патраков Э. В. Борисов В. И

Об авторах

Эль Хамзауи О. Патраков Э. В. Борисов В. И

Эль Хамзауи Уссама – аспирант, Институт радиоэлектроники и информационных технологий-РТФ, Уральский федеральный университет имени первого президента России Б. Н. Ельцина, Область научных интересов: машинное обучение и искусственный интеллект.

Эдуард Викторович Патраков – кандидат педагогических наук, доцент, заведующий учебной лабораторией кафедры инноватики и интеллектуальной собственности, Уральский федеральный университет имени первого президента России Б. Н. Ельцина ORCID: 0000-0001-7564-9136, Область научных интересов: изучение человеческого фактора в условиях цифровизации и инноваций, социальная психология рисков.

Василий Ильич Борисов – кандидат технических наук, доцент Учебно -научного центра «Искусственный интеллект» Института радиоэлектроники и информационных технологий-РТФ, Уральский федеральный университет ORCID: 0000-0003-0486-7552, Область научных интересов: машинное обучение и искусственный интеллект в медицине.

Скачать PDF

УДК: 004.891.3
DOI: 10.24412/2413-7383-2026-1-40-113-123
Язык: Английский

Аннотация: В статье рассматривается интеграция подходов искусственного интеллекта (ИИ) и машинного обучения для выявления расстройств аутистического спектра (РАС) посредством мультимодального анализа данных. РАС, поражающие 1% населения мира, представляют собой сложные диагностические задачи, требующие сложных инструментов оценки; анализируются современные архитектуры глубокого обучения, включая сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN), визуальные трансформеры и гибридные модели, применяемые в нейровизуализации, распознавании выражений лица и поведенческом анализе. Проведенный анализ показывает, что мультимодальные подходы, сочетающие фМРТ, видеоанализ и поведенческие данные, достигают более высокой диагностической точности (85-95%) по сравнению с одномодальными методами. Эта работа обеспечивает всестороннюю основу для развития методологий оценки РАС на основе ИИ.

Ключевые слова: расстройства аутистического спектра; искусственный интеллект; машинное обучение; взаимодействие родителей и детей; мультимодальная интеграция данных; глубокое обучение.

Список литературы

1. Jia, S. J. Jing, J. Q. & Yang, C. J. (2025). A review on autism spectrum disorder screening by artificial intelligence methods. Journal of Autism and Developmental Disorders, 55(9), 3011--3027.
2. Elbattah, M. Loughnane, C. Gu´erin, J. Carette, R. Cilia, F. & Dequen, G. (2024). Recent advances on autism spectrum disorders in diagnosing based on machine learning and deep learning. Artificial Intelligence Review, 57, 1--45. Integration of artificial intelligence and machine learning methods…
3. Pandya, S. Jain, S. & Verma, J. (2024). A comprehensive analysis towards exploring the promises of AI- related approaches in autism research. Computers in Biology and Medicine, 168, 107801.
4. Jordan, E. Terrisse, R. & Lucarini, V. (2025). Speech emotion recognition in mental health: Systematic review of voice-based applications. JMIR Mental Health, 12, e74260.
5. Abbas, H. Garberson, F. Glover, E. & Wall, D. P. (2022). Eye gaze as a biomarker in the recognition of autism spectrum disorder using virtual reality and machine learning: A proof of concept for diagnosis. Autism Research, 15(11), 2082--2097.
6. Lu, A. & Perkowski, M. (2021). Deep learning approach for screening autism spectrum disorder in children with facial images and analysis of ethnoracial factors in model development and application. Brain Sciences, 11(11), 1446.
7. Andrievskaya, N. (2021). Hybrid intelligent measure of semantic similarity evaluation. Problems of Artificial Intelligence, 1(20), 12--19.
8. Meng, W. Chen, P. & Zhang, J. (2025). Residual movement metrology network and transformer-based framework for evaluating movement quality. Cognitive Computation, 17, 94.
9. Rahman, M. A. Zhang, L. & Wang, H. (2025). MDNCT: A multi-domain neurocognitive transformer architecture approach for early prediction of autism spectrum disorders. Scientific Reports, 15, 9862.
10. Wu, Q. Morrow, E. M. & Gamsiz Uzun, E. D. (2024). A deep learning model for prediction of autism status using whole-exome sequencing data. PLoS Computational Biology, 20(11), e1012468.
11. Symeonidou, I. Fasoula, A. & Nikitas, D. (2025). Facial emotion recognition in autistic children through transformer models. Applied Sciences, 15(17), 9555.
12. Tsoi, K. W. Zhang, Y. & Chen, L. (2024). Deep learning for ASD recognition using facial datasets. IEEE Transactions on Affectve Computing, 15(3), 1245--1258.
13. Wankhede, S. & Kumar, M. (2024). Automated ASD identification using explainable deep learning. Scientific Reports, 15, 11847.
14. Wang, M. Xu, D. Zhang, L. & Jiang, H. (2023). Application of multimodal MRI in the early diagnosis of autism spectrum disorders: A review. Diagnostics, 13(19), 3027. 15.Gautam, R. & Sharma, M. (2020). Prevalence and diagnosis of neurological disorders using different deep learning techniques: A meta-analysis. Journal of Medical Systems, 44(49), 1--24.
15. Zhang, Y. Li, X. & Chen, W. (2025). Multi-view united transformer block of graph attention network for ASD recognition. Frontiers in Psychiatry, 16, 1485286.
16. Sohn, J. S. Lee, E. Kim, J. J. Oh, H. K. & Kim, E. (2025). Implementation of generative AI for the assessment and treatment of autism spectrum disorders: A scoping review. Frontiers in Psychiatry, 16, 1628216.
17. Ivashko, K. S. Piguz, V. N. & Izosimova, S. A. (2024). On interpolation and approximation of functions using neural networks. Problems of Artificial Intelligence, 3(34), 4--19.
18. Kharlamov, A. Samaev, E. Kuznetsov, D. & Pantiukhin, D. (2023). Semantic text analysis using artificial neural networks based on neural-like elements with temporal signal summation. Problems of Artificial Intelligence, 3(30), 1--12. 20.Chen, W. Yang, J. Sun, Z. Zhang, X. Tao, G. Ding, Y. Gu, J. Bu, J. & Wang, H. (2024). DeepASD: A deep adversarial-regularized graph learning method for ASD diagnosis with multimodal data. Translational Psychiatry, 14(1), 375.
19. Colonnese, F. Di Luzio, F. Rosato, A. & Panella, M. (2024). Bimodal feature analysis with deep learning for autism spectrum disorder detection. International Journal of Neural Systems, 34(2), 2450005.

Выпуск: 1(40)'2026
Раздел: СИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИ, СТАТИСТИКА
Как цитировать: Эль Хамзауи О. Патраков Э. В. Борисов В. И. ИНТЕГРАЦИЯ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И МАШИННОГО ОБУЧЕНИЯ ДЛЯ ВЫЯВЛЕНИЯ РАССТРОЙСТВ АУТИСТИЧЕСКОГО СПЕКТРА: ОБЗОР СОВРЕМЕННОГО СОСТОЯНИЯ С ИСПОЛЬЗОВАНИЕМ РЕШЕНИЙ ДЛЯ МУЛЬТИМОДАЛЬНОЙ ОБРАБОТКИ ДАННЫХ // Проблемы искусственного интеллекта. - 2026. - № 1 (40). - С. 113-123. - https://paijournal.guiaidn.ru/ru/2026/1(40)-10.html

Назад к выпуску 1(40)'2026