风险评估和自动识别基于外表的自闭症儿童

科学领域:

• 儿科神经学 儿科神经学
• 计算机视觉 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 目前的自闭症谱系障碍 (ASD) 诊断依赖于主观的临床评估和诊断尺度,在客观性,时间和成本方面存在局限性.
• 需要更客观,更有效,更容易获得的方法来早期识别ASD.
• 儿童的视觉外观和行为暗示为发展条件提供了潜在的客观标记.

研究的目的:

• 引入一种新的,客观的,自动化的方法来评估和识别使用视觉外观特征的自闭症儿童.
• 开发一种基于计算机视觉的系统,用于分析儿童的社交互动行为.
• 根据视觉数据评估机器学习模型在对有或没有自闭症儿童进行分类方面的有效性.

主要方法:

• 为数据收集开发一个定制的社交互动场景.
• 创建了自闭症儿童面部数据集 (ACFD),包括187名儿童 (92名ASD,95名典型发育).
• 使用计算机视觉提取视觉外观特征:面部出现时间,眼睛集中度,反应时间和情绪表达能力.
• 机器学习算法的应用,包括贝叶斯分类器,用于分类.

主要成果:

• 贝叶斯分类器在区分患有自闭症儿童和典型发育儿童方面取得了94.1%的高准确率.
• 提取的视觉外观特征有效地反映了与ASD相关的典型症状.
• 开发的自动识别方法证明了作为辅助诊断工具的潜力.

结论:

• 通过计算机视觉提取的视觉外观特征可以作为ASD症状的可靠指标.
• 基于这些特征的自动识别系统为辅助ASD诊断提供了一个有希望的,客观的,快速的和具有成本效益的方法.
• 这种方法可以为医疗保健专业人员的临床评估提供有价值的数据支持.