早期检测自闭症谱系障碍使用机器学习

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 发育儿科 发育儿科

背景情况:

• 自闭症谱系障碍 (ASD) 是一种影响沟通和社会互动的发育状况.
• 电脑电图 (EEG) 测量大脑的电活动,有助于诊断神经系统疾病.
• 由于18个月以下婴儿的微妙行为指标,早期发现ASD具有挑战性.

研究的目的:

• 开发一种机器学习模型,用于使用EEG数据在新生儿中检测早期自闭症谱系障碍 (ASD).
• 根据EEG模式,区分患有自闭症的婴儿和典型发育的婴儿.

主要方法:

• 从基线婴儿EEG记录中提取的功率值.
• 利用了机器学习分类器,包括决策树 (DT),随机森林 (RF) 和支持矢量机器 (SVM).
• 使用可解释的人工智能 (SHAP) 来解释模型预测并增强对诊断理由的理解.

主要成果:

• SVM分类器实现了93%的曲线下的面积 (AUC),RF分类器实现了90%的AUC.
• 在诊断患有自闭症的婴儿方面表现出色.
• 强调了使用可解释的人工智能的新性,用于在1岁以下的婴儿中早期识别ASD.

结论:

• 开发的机器学习模型可以使用婴儿EEG数据自动诊断ASD.
• 这种方法有助于在行为症状尚未显现时早期识别ASD.
• 脑电图分析与人工智能相结合,为自闭症谱系障碍的早期干预提供了一个有前途的工具.