视频音频神经网络组合用于幼儿自闭症谱系障碍综合查

科学领域:

• 人工智能在医学中的应用
• 发育神经科学的发展神经科学.
• 临床心理学 临床心理学

背景情况:

• 早期诊断自闭症谱系障碍 (ASD) 对幼儿的有效干预至关重要.
• 深度学习 (DL) 模型在识别自闭症相关症状和实现自动检测方面表现有前途.
• 综合各种数据类型的多模式方法可以提高诊断准确性.

研究的目的:

• 开发和评估一种多模式的深度学习模型,用于在学龄前儿童中早期查自闭症谱系障碍 (ASD).
• 评估组合模型的性能,将视频和音频功能结合起来,用于ASD检测.
• 探索模型实现高特异性或高灵敏性的能力,以改善诊断结果.

主要方法:

• 一种多模式的方法,结合了两个神经网络,训练了来自1-5岁的160名儿童的视频和音频数据.
• 利用半标准化的社交互动记录作为深度学习模型的输入.
• 开发组合组合,以优化ASD查中的特异性或敏感性.

主要成果:

• 整体模型在查自闭症方面取得了82.5%的整体准确率 (F1得分:0.816).
• 特定的模型组合显示出高特异性 (92.5%) 或高灵敏度 (90%).
• 分析揭示了神经网络模式与独特的视听自闭症特征之间的相关性,验证了该模型的特征集成.

结论:

• 开发的多模式深度学习模型为学龄前儿童早期ASD查提供了一个有前途的工具.
• 该模型的灵活性允许定制,根据临床需求优先考虑高特异性或高灵敏性.
• 这种方法有效地整合了各种特征,与当前的黄金标准ASD评估方法相一致,并可能提高诊断效率.