从面部图像中自动识别自闭症谱系障碍,使用可解释的深度学习模型

科学领域:

• 人工智能的人工智能
• 神经科学是一个神经科学.
• 医疗成像医学成像

背景情况:

• 早期和准确发现自闭症谱系障碍 (ASD) 对于有效的干预至关重要.
• 目前的自闭症诊断方法往往是耗时的,主观的,需要专门的专业知识,限制了可访问性.
• 自动化面部图像分析为ASD检测提供了一个非侵入性,高效和可扩展的替代方案.

研究的目的:

• 开发一个有效的深度学习框架,用于使用面部图像自动检测ASD.
• 解决现有方法的局限性,包括对不同数据集的概括性,解释性和性能.
• 提高诊断准确度,并提供可解释的结果用于临床使用.

主要方法:

• 使用了预训练的卷积神经网络 (CNN):VGG16,VGG19,InceptionV3,VGGFace和MobileNet. 这两种神经网络都在使用.
• 集成先进的预处理技术和数据增强,用于强大的模型训练.
• 纳入可解释AI (XAI) 方法,特别是局部可解释模型不可知解释 (LIME),以提高模型的可解释性.

主要成果:

• 拟议的深度学习框架在自动化ASD检测方面表现出高效.
• VGG19模型的精度达到了98.2%,超过了许多现有的最先进的方法.
• 可解释的AI方法为模型的决策过程提供了洞察力,提高了透明度.

结论:

• 开发的框架为自动自闭症诊断提供了可靠,高效和可解释的解决方案.
• 这种方法可以显著帮助临床医生实现及时和准确的诊断,促进早期干预.
• 这项研究代表了利用人工智能改善自闭症检测和管理的重大进展.