在社交注意力任务中使用可解释的机器学习和眼睛跟踪来诊断自闭症谱系和发育性语言障碍

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
• 发展心理学 发展心理学

背景情况:

• 眼睛追踪提供了客观的社会关注措施,对于评估神经发育障碍,如自闭症谱系障碍 (ASD) 至关重要.
• 当前的挑战包括区分重叠的疾病和有效管理复杂的眼睛跟踪数据用于临床使用.

研究的目的:

• 将可解释的机器学习 (XML) 算法应用于来自ASD,发育性语言障碍 (DLD) 和典型发育 (TD) 的儿童的眼睛跟踪数据.
• 评估组分类的准确性,并确定区分这些组的关键变量.

主要方法:

• 93名儿童 (ASD,DLD,TD) 参与了视觉偏好任务,使用社会和非社会刺激.
• 在四个数据集中使用XML算法 (Naive Bayes,Logistic Model Trees) 分析了眼睛跟踪数据.

主要成果:

• 获得了高分类精度:0.912 (DLD与TD),0.86 (ASD与TD) 和0.88 (ASD+DLD与TD).
• 在ASD与DLD分类中,准确度中等 (0.63).
• 广泛的社会/非社会刺激领域是最有信息的;特定变量没有提高准确性. 对象访问的平均持续时间成为潜在的疾病特异性标记.

结论:

• 在神经发育研究中,XML技术显示出分析眼睛跟踪数据的巨大潜力.
• 这种方法可以确定临床相关的变量,以区分具有重叠特征的疾病.