Bu sayfa, 26. Dünya Psikiyatri Kongresi'nde sunulan çalışmanın yapay zekâ desteğiyle hazırlanmış Türkçe özetidir. Çalışmanın sahibi sunan yazarlardır; atıf için orijinal kaynağa başvurun.

EV0289

Çocuklarda göz izleme verisi ile disleksi taramasında makine öğrenmesi yaklaşımları: sınıflandırma yöntemleri ve başarımın sistematik derlemesi

MACHINE LEARNING APPROACHES FOR DYSLEXIA SCREENING USING EYE-TRACKING DATA IN CHILDREN: A SYSTEMATIC REVIEW OF CLASSIFICATION METHODS AND PERFORMANCE

Göz izleme verisine dayalı makine öğrenmesi modelleri disleksi taramasında %96-97'ye varan sınıflandırma başarımı ile geleneksel tarama yöntemlerini geride bırakmakta, ancak orta düzeyde yanlılık riski ve sınırlı dış geçerlilik nedeniyle prospektif çok merkezli çalışmalara ihtiyaç duyulmaktadır.

Derlemenin amacı göz izleme (eye-tracking) verisi kullanan otomatik disleksi saptama modellerini değerlendirmek, farklı algoritmaların sınıflandırma başarımını karşılaştırmak ve gerçek zamanlı tarama sistemlerinin klinik uygulanabilirliğini incelemekti. PRISMA 2020 kılavuzuna uyularak beş veri tabanı başlangıcından Ağustos 2023'e kadar tarandı; göz hareketi özelliklerine dayalı makine öğrenmesi modelleri için nicel başarım ölçütleri bildiren çalışmalar dahil edildi. Sekiz çalışma, yaşları 7 ile 13 arasında değişen toplam 782 katılımcıyı kapsıyordu ve örneklem büyüklükleri 30 ile 187 arasındaydı. Sınıflandırma doğruluğu (accuracy) 2015'te %80,18 iken güncel evrişimli sinir ağı (CNN) yaklaşımlarıyla %96,6'ya yükseldi; SVM-RFE modeli %95,6 doğruluk, %95,5 duyarlılık (sensitivity) ve %95,7 özgüllük (specificity) ile dengeli başarım gösterdi. Hız temelli (velocity-based) özellikler dağılım temelli (dispersion-based) özelliklere belirgin üstünlük sağladı (%95,6 ve %76); gerçek zamanlı işleme saniyede 7 ms işlem süresiyle %88,9 doğruluğa ulaştı ve hibrit SVM-PSO modelleri %96 tepe doğrulukla geleneksel yaklaşımları geçti. Karşılaştırma ölçütü olarak geleneksel tarama yöntemleri yalnızca %70-80 doğruluk, %41,5 duyarlılık ve %93,5 özgüllük düzeyinde kalmaktadır. Sonuç olarak göz izleme temelli makine öğrenmesi disleksi taramasında geleneksel yöntemlerden daha yüksek başarım sunmakta, ancak orta düzeyde yanlılık riski ve sınırlı dış doğrulama nedeniyle standart protokollerle yürütülecek iyi tasarlanmış, çok merkezli prospektif çalışmalar gerekmektedir.

Tüm WCP 2026 özetleri