提高ASD检测准确度:机器学习和深度学习模型与自然语言处理的结合方法

科学领域:

• 计算语言学计算语言学
• 医疗信息学医学信息学
• 神经科学是一个神经科学.

背景情况:

• 自闭症谱系障碍 (ASD) 诊断带来了挑战,包括需要专门的专业人员和大量资源.
• 早期发现自闭症对于及时干预和改善生活质量至关重要,特别是在儿童中.

研究的目的:

• 探索人工智能 (AI) 的实用性,特别是机器学习 (ML) 和深度学习 (DL) 模型,用于诊断自闭症谱系障碍 (ASD).
• 分析来自社交媒体平台 (如Twitter) 的文本数据,以发现潜在的自闭症病例,克服诊断资源的局限性.

主要方法:

• 使用了自然语言处理 (NLP) 技术和各种ML/DL模型 (决策树,XGB,KNN,RNN,LSTM,Bi-LSTM,BERT,BERTweet).
• 利用来自Twitter的404,627条推文的数据集,以及90,000条推文 (45,000个ASD,45,000个非ASD) 的子集,用于模型培训和测试.

主要成果:

• 人工智能模型在对可能来自自闭症患者的文本进行分类方面表现出了有希望的表现.
• 该预测模型在从文本数据中识别潜在的自闭症病例时实现了近88%的准确性.

结论:

• 人工智能,特别是DL模型,可以显著提高ASD检测和诊断的准确性.
• 这种方法突出了AI在推进早期诊断技术的潜力,以获得更好的患者结果,并强调了早期ASD识别的重要性.