在智能眼睛跟踪系统中使用深度学习模型用于自闭症谱系障碍诊断

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) 诊断依赖于主观方法,需要客观和高效的工具.
• 目前的自闭症诊断程序往往耗时,昂贵,并依赖于专家的专业知识.
• 人工智能 (AI) 和眼睛跟踪方面的进步为自动自闭症评估提供了潜力.

研究的目的:

• 开发和评估自动化分类器用于早期ASD诊断,使用眼睛跟踪数据.
• 探索深度学习算法的有效性,以提高ASD查的精度和效率.
• 提供一种更客观,更容易获得的方法来识别潜在的ASD病例.

主要方法:

• 利用了来自328名典型发育儿童和219名自闭症儿童的眼睛跟踪途径数据集.
• 采用图像重新采样技术来减轻过度拟合和扩展培训数据集.
• 开发了使用深度学习模型的自动分类器:MobileNet,VGG19,DenseNet169和MobileNet-VGG19混合.

主要成果:

• 移动网络模型实现了100%的准确性,显著优于现有系统.
• VGG19模型在ASD分类中显示了92%的准确性.
• 与传统事件检测算法相比,深度学习方法显示出更高的性能.

结论:

• 用深度学习分析的眼睛跟踪数据显示了有效和准确的ASD查的巨大潜力.
• 自动分类器可以提高诊断精度,解决需要快速可靠的ASD评估的需求.
• 这些人工智能驱动的工具可以帮助医疗保健专业人员提高自闭症诊断的准确性和可访问性.