使用机器学习以基于眼睛追踪技术诊断自闭症

科学领域:

• 神经发育障碍 神经发育障碍
• 医疗保健中的人工智能
• 生物医学数据分析

背景情况:

• 早期诊断自闭症谱系障碍 (ASD) 对有效干预至关重要.
• 目前的诊断方法通常依赖于三岁后的临床观察,延迟了关键的早期支持.
• 需要更有效和更早的诊断方法来诊断ASD.

研究的目的:

• 开发一种更早,更有效的诊断自闭症谱系障碍 (ASD) 的方法.
• 为了评估人工智能模型的有效性,使用眼睛跟踪数据集来诊断ASD.
• 使用眼睛跟踪数据识别自闭症得分.

主要方法:

• 使用了Eye Gaze修复地图数据集和眼睛跟踪扫描路径数据集 (ETSDS) 进行ASD诊断.
• 采用混合人工智能模型来分析眼睛跟踪数据.
• 专门使用ETSDS的一个子集来识别自闭症分数.

主要成果:

• 混合模型在Eye Gaze修复地图数据集上实现了96.1%的高准确率,在ETSDS上达到98.0%.
• 在ETSDS上实现了98.1%的准确率,用于识别自闭症分数.
• 与之前的研究相比,拟议的方法显示出更高的性能.

结论:

• 人工智能技术对于诊断疾病,包括自闭症谱系障碍 (ASD) 是有效的.
• 该研究强调了眼睛跟踪数据分析在早期发现自闭症方面的潜力.
• 进一步研究用于疾病诊断的先进AI技术是有必要的.