计算机辅助自闭症诊断使用视觉注意力模型和眼睛跟踪:复制和改进建议

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
• 生物医学工程 生物医学工程

背景情况:

• 自闭症谱系障碍 (ASD) 诊断可以通过使用眼睛跟踪信号来增强.
• 视觉注意力模型 (VAMs) 已经证明了使用机器学习算法对ASD病例和控制进行分类的可行性.
• 之前的研究表明神经网络和支持向量机器对于基于VAM的ASD分类的有效性.

研究的目的:

• 评估以前训练的分类器与新视觉刺激的概括性.
• 用新的数据集复制以前的方法.
• 评估随机森林分类器的性能与现有的ASD诊断方法相比.

主要方法:

• 用新的刺激和数据集 (33个自闭症,44个典型发育) 复制以前的眼睛追踪分析方法.
• 实施和测试一个随机森林分类器作为神经网络的替代品.
• 使用曲线下的面积 (AUC) 度量标准对分类性能进行比较分析.

主要成果:

• 原始分类器在新刺激时显示有限的概括性 (AUC=0.56),需要重新训练.
• 复制产生了令人满意的结果 (AUC=0.71),表明具有类似刺激的接近潜力.
• 随机森林的表现明显优于以前的方法,AUC为0.95 (以前的数据集) 和0.74 (新数据集).

结论:

• 复制的发现支持基于VAM的方法的稳定性和可行性,以帮助诊断ASD.
• 随机森林算法展示了优越的分类性能,提高了诊断准确度.
• 鼓励进一步的研究,以在各种条件和场景中探索VAM,以加强ASD识别.