从文本数据中自动检测自闭症谱系障碍的交叉数据集研究
Aleksander Wawer1, Izabela Chojnicka2, Justyna Sarzyńska-Wawer3
1Polish Academy of Sciences, Institute of Computer Science, Warsaw, Poland.
Acta psychiatrica Scandinavica
|July 20, 2024
概括
机器学习模型显示出从文本数据中检测自闭症谱系障碍 (ASD) 的前景,性能因诊断工具而异. 知识转移和数据增强并没有提高自闭症检测的准确性.
科学领域:
- 计算语言学计算语言学
- 神经发育障碍 神经发育障碍
- 人工智能的人工智能是人工智能.
背景情况:
- 自闭症谱系障碍 (ASD) 的诊断可能具有挑战性.
- 文本数据有可能用于识别ASD生物标志物.
- 机器学习的进步为诊断工具提供了新的途径.
研究的目的:
- 评估机器学习模型,从转录的语句中检测ASD.
- 来自不同诊断工具 (TLC和ADOS-2) 的数据集中的模型性能进行比较.
- 探索知识转移和数据增强,以改善ASD检测.
主要方法:
- 微调基于BERT的变压器模型 (HerBERT).
- 使用OpenAI的文本嵌入与分类器.
- 将方法应用于两个不同的ASD诊断数据集 (TLC和ADOS-2).
- 进行跨数据集实验,包括零射击和转移学习场景.
主要成果:
- 模型在TLC数据上取得了非常好的性能,但在ADOS-2数据上取得了平均结果.
- 从数据集之间的知识转移中没有观察到任何显著的好处.
- 使用逆向翻译增强数据显示性能差,可能会掩盖自闭症特异信号.
结论:
- 从文本中检测ASD的机器学习模型性能正在提高.
- 模型准确性受到输入数据和使用的特定诊断工具的重大影响.
更多相关视频
05:32Comparing Eye-tracking Data of Children with High-functioning ASD, Comorbid ADHD, and of a Control Watching Social Videos
Published on: December 7, 2018
8.9K
08:17A Semantic Priming Event-related Potential ERP Task to Study Lexico-semantic and Visuo-semantic Processing in Autism Spectrum Disorder
Published on: April 12, 2018
10.5K
