通过自动机器学习来早期发现自闭症谱系障碍

科学领域:

• 神经发育障碍 神经发育障碍
• 机器学习应用 机器学习应用
• 儿科诊断 儿科诊断 儿科诊断

背景情况:

• 自闭症谱系障碍 (ASD) 呈现出各种影响社会互动和沟通的症状.
• 早期发现自闭症对于有效干预和改善儿童结果至关重要.
• 传统的ASD诊断是耗时和昂贵的,需要更有效的方法.

研究的目的:

• 探索自动机器学习 (AUTOML) 的实用性,以简化自闭症谱系障碍 (ASD) 检测.
• 提高儿童早期自闭症诊断的准确性和效率.
• 调查基于树木的管道优化工具 (TPOT) 对于ASD识别的性能.

主要方法:

• 数据来自巴基斯坦的康复中心.
• 基于树的管道优化工具 (TPOT) 是AUTOML框架,用于ASD检测.
• 模型性能与手动机器学习方法进行了验证.

主要成果:

• 基于TPOT的AUTOML框架在ASD检测方面实现了78%的整体准确性.
• 该模型的精度为83%,回忆率为90%,自闭症类的F1得分为86%.
• 这种方法有助于在儿童中迅速识别自闭症的可能性.

结论:

• AUTOML为改善早期发现自闭症谱系障碍 (ASD) 提供了一个有前途的途径.
• 开发的框架可以帮助及时进行干预,从而有可能为患有自闭症儿童及其家人带来更好的结果.
• 这项研究强调了TPOT在提高神经发育障碍的诊断准确度方面的潜力.