面部特征图像分析的混合技术用于早期检测自闭症谱系障碍,基于组合CNN特征
Bakri Awaji1, Ebrahim Mohammed Senan2, Fekry Olayah3
1Department of Computer Science, College of Computer Science and Information Systems, Najran University, Najran 6646, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|September 28, 2023
概括
这项研究表明,人工智能可以帮助早期发现自闭症谱系障碍 (ASD). 分析面部特征的混合人工智能模型实现了高准确度,有助于及时诊断和干预,以获得更好的结果.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 医学诊断 医学诊断 医学诊断
背景情况:
- 自闭症谱系障碍 (ASD) 是一种神经发育状况,具有复杂的原因和诊断挑战.
- 早期发现ASD对于有效的干预和改善长期结果至关重要.
- 目前的诊断方法可能受到ASD多样化的表现的限制.
研究的目的:
- 通过面部特征分析,研究人工智能 (AI) 和机器学习在早期发现自闭症方面的有效性.
- 开发和评估混合人工智能系统,将卷积神经网络 (CNN) 功能与其他机器学习算法相结合,用于ASD诊断.
主要方法:
- 使用预先训练的CNN模型 (VGG16,ResNet101,MobileNet) 来提取面部特征.
- 开发了混合系统,将CNN功能与XGBoost和随机森林 (RF) 算法结合起来.
- 使用AUC,准确性,精度,灵敏度和特异性等指标评估诊断性能.
主要成果:
- 集成VGG16-MobileNet功能的混合射频算法实现了卓越的性能.
- 最好的模型显示了99.25%的AUC,98.8%的准确性,98.9%的精度,99%的灵敏度和99.1%的特异性.
- 混合人工智能方法在提高ASD检测准确度方面显示出显著的前景.
结论:
- 人工智能驱动的面部特征分析,特别是使用混合CNN-XGBoost/RF模型,为早期ASD检测提供了强大的工具.
- 开发的混合射频模型实现了最先进的性能,表明其潜在的临床实用性.
- 人工智能的进步可以显著提高诊断自闭症谱系障碍的速度和准确性.
