Deep Learning-Based Facial Analysis for Autism Screening

Abstract

In recent years, Artificial Intelligence (AI), and more specifically Deep Learning, has become a fundamental tool driving transformative advancements across various fields, particularly in healthcare and developmental screening. This study focuses an intelligent model based on Convolutional Neural Networks (CNN) to analyze facial images and support screening for Autism Spectrum Disorder (ASD) in children. The significance of this work lies in addressing the challenges of conventional diagnosis, such as delays in specialist availability, subjective interpretation of behavioral cues, and limited accessibility to trained clinicians in many regions. The proposed model follows a structured pipeline involving facial image acquisition, preprocessing, hierarchical feature extraction using deep CNN layers, and binary classification. The model was trained using standard optimization techniques over multiple epochs. Results demonstrated that the model effectively distinguishes between ASD and nonASD facial patterns, achieving promising accuracy and balanced precision-recall performance on the held-out test set. Furthermore, explainable AI visualization confirmed that the model focuses on clinically relevant facial regions, particularly the eye area, for ASD detection. A web-based interface was also developed to demonstrate practical applicability. These findings confirm the feasibility of deep learning-based facial analysis as a supportive tool for preliminary autism screening, while emphasizing that the system is intended to assist rather than replace clinical judgment. في السنوات الأخيرة، أصبح الذكاء الاصطناعي، وعلى وجه التحديد التعلم العميق، أداة أساسية تقود تقدمًا تحويليًا في مختلف المجالات، ولا سيما في مجال الرعاية الصحية والكشف عن اضطرابات النمو. تركز هذه الدراسة على تصميم نموذج ذكي يعتمد على الشبكات العصبية الالتفافية (CNN)، إحدى أبرز تقنيات التعلم العميق، لتحليل الصور الوجهية ودعم الكشف عن اضطراب طيف التوحد (ASD) لدى الأطفال. تكمن أهمية هذا العمل في معالجة تحديات التشخيص التقليدي، مثل التأخر في توفر الاختصاصيين، والتفسير الذاتي للإشارات السلوكية، والوصول المحدود إلى الأطباء المتخصصين في العديد من المناطق. يتبع النموذج المقترح خطوات منظمة تشمل جمع الصور الوجهية، والمعالجة المسبقة، واستخراج السمات الهرمية باستخدام طبقات CNN عميقة، والتصنيف الثنائي. تم تدريب النموذج باستخدام تقنيات تحسين قياسية على مدى عدد من الحقب. أظهرت النتائج أن النموذج يميز بفعالية بين أنماط الوجه للتوحد وغير التوحد، محققًا دقة جيدة وأداءً متوازنًا في الاستدعاء والاستدعاء مع مجموعة الاختبار. علاوة على ذلك، أكدت تقنية التفسير المرئي أن النموذج يركز على مناطق الوجه ذات الصلة سريريًا، وخاصة منطقة العين، للكشف عن التوحد. كما تم تطوير واجهة ويب لتوضيح القابلية العملية للنظام. تؤكد هذه النتائج جدوى تحليل الصور الوجهية المستند إلى التعلم العميق كأداة داعمة وواعدة للكشف عن التوحد، مع التأكيد على أن النظام يهدف إلى المساعدة وليس إلى استبدال الحكم السريري.