Autism Spectrum Disorder değerlendirmesi tek butonluk bir problem değil. Geleneksel değerlendirme çoğu zaman detaylı görüşme, davranış gözlemi, iletişim değerlendirmesi, klinik deneyim ve zaman gerektirir. Mühendislik burada faydalı olabilir; ama kendi rolünü doğru sınırladığı sürece.
EASIEST tam bu sınır üzerine kuruldu. Proje klinisyenlerin yerine geçmeye çalışmıyor. Soru şu: web tabanlı bir sistem quantitative gaze evidence toplayıp bunu ASD screening için destekleyici bir sinyale dönüştürebilir mi? Yani sistem tek başına tıbbi otorite değil, clinical decision-support fikri.
Motivasyon iki pratik sınırlamadan geldi. Birincisi, geleneksel değerlendirmeler zaman ve kaynak açısından yoğun olabilir. İkincisi, eye-tracking dikkat ve görsel davranışı anlamak için değerli bir sinyal verir; ama ticari eye tracker cihazları pahalıdır ve geniş ölçekte kullanıma açılması zordur. Webcam tabanlı yaklaşım bu erişilebilirlik hikâyesini değiştirir.
EASIEST'in ayırt edici fikri browser-based gaze pipeline. Dünyada autism classification yapmaya çalışan çok sayıda AI projesi var; bu proje ise ASD screening desteği için web-based eye tracking ile çalışan ilk örneklerden biri olarak kurgulandı. Hasta tarayıcı içinde görsel görevleri tamamlıyor, kamera tabanlı tracker gaze davranışını kaydediyor ve sistem bu ham hareketi machine learning için feature'lara dönüştürüyor.
Proje computer engineering'in birden fazla katmanını birleştiriyor. Frontend tarafında kullanıcı kaydı, doktor paneli, hasta yönetimi ve test ekranları var. Tracking tarafında WebGazer tarzı webcam eye tracking görev sırasında gaze noktalarını topluyor. Veri tarafında Flask/SQLAlchemy backend ve PostgreSQL ile hasta/test bilgileri saklanıyor. ML tarafında gaze verisi feature'lara dönüştürülüp prediction logic'e veriliyor.
Teknik olarak en kritik kısımlardan biri fixation processing. Ham gaze noktaları gürültülüdür: blink, head movement ve fixation'lar arasında saccade'ler bulunur. Raporda velocity threshold, hidden Markov model, dispersion threshold, minimum spanning tree ve area-of-interest gibi fixation-detection stratejileri karşılaştırılıyor. EASIEST, feature generation öncesinde stabil fixation gruplarını bulmak ve saccade noktalarını temizlemek için I-DT tarzı fixation filtering kullanıyor.
Bu preprocessing adımı önemli çünkü modelin kalitesi aldığı sinyalin kalitesine bağlı. Rapordaki karşılaştırma figürlerinde I-DT filtering, saccade benzeri noktaları temizleyip daha temiz gaze özetleri ürettiği için detected cell dağılımlarını değiştiriyor. Bu çok mühendislik kokan bir ders: AI performansı yalnızca classifier ile değil, giriş sinyalinin nasıl temizlendiği, yapılandırıldığı ve temsil edildiği ile de ilgilidir.
Diğer önemli nokta şu: EASIEST sadece bir notebook değil, uçtan uca bir software system olarak tasarlandı. Raporda use-case diagram, class diagram, sequence diagram, activity diagram, data-flow diagram, database design, UI ekranları, implementation notları ve test planları var. Health-related software için bu dokümantasyon önemli; çünkü workflow, actor, failure mode ve privacy constraint'ler sistemin gerçek parçasıdır.
Testing de projenin parçası olarak ele alındı. Selenium ile web sitesi üzerindeki user interaction'lar simüle edildi; Pytest ile unit ve integration testleri yazıldı. Fixation generation logic'i, önceden belirlenmiş gaze çiftleriyle test edilerek algoritmanın fixation gruplarını doğru yakalayıp yakalamadığı kontrol edildi. Bir mühendis olarak en sevdiğim kısım bu: ML fikri test edilebilir bir sisteme gömülüyor.
User testing bölümü özellikle önemli. Bir healthcare professional'dan gelen feedback gerçekçiydi: eye tracking tek başına ASD diagnosis için yeterli değil ve traditional clinical evaluation'ın yerine geçmemeli. Ama screening veya supplementary tool olarak useful quantitative evidence sağlayabilir. Bu tarz bir sistem için doğru framing de bu.
Bu yüzden EASIEST'in değeri, webcam'den sihirli şekilde autism diagnosis koyması değil. Değer şu: zor bir health-tech fikrinin uçtan uca nasıl engineer edilebileceğini göstermesi. Accessible data collection, gaze processing, feature generation, ML support, doctor/patient workflow'ları, database design, privacy constraint'ler ve testing aynı sistemde birleşiyor.
Projeyi supervise eden, dataset ve domain knowledge paylaşan ve research direction'ı destekleyen Assist. Prof. Dr. Şükrü Eraslan ve Prof. Dr. Yeliz Yeşilada'ya özellikle teşekkür ederim. Onların yönlendirmesi sayesinde fikir, rough bir health-tech concept olmaktan çıkıp ciddi bir computer engineering projesine dönüştü.