深度神经网络和深度决定性政策梯度用于早期ASD诊断和儿童个性化干预

科学领域:

• 医疗保健中的人工智能
• 发展心理学 发展心理学
• 计算神经科学是一种神经科学.

背景情况:

• 早期诊断和个性化干预对于改善自闭症谱系障碍 (ASD) 儿童发育结果至关重要.
• 当前的ASD诊断和干预方法经常面临可扩展性和适应性的挑战.
• 需要先进的,数据驱动的方法来增强早期检测和针对ASD量身定制的干预措施.

研究的目的:

• 引入一个综合系统,结合深度神经网络 (DNN) 和深度决定性政策梯度 (DDPG) 强化学习,用于早期发现ASD.
• 为被诊断为ASD的儿童开发适应性心理社会干预框架.
• 评估该系统在ASD检测方面的准确性及其在通过个性化干预来改善发展结果方面的有效性.

主要方法:

• 在儿童的各种数据集上训练和验证了一个DNN模型,利用Qchat-10-Score和通过LASSO和随机森林识别的种族等功能.
• 使用DDPG强化学习框架,模拟12个月周期的个性化干预策略,使用虚拟数据.
• DNN 的性能指标包括预测准确度 (96.98%),精度 (97.65%),回忆 (96.74%) 和 ROC AUC (99.75%).

主要成果:

• 与随机森林和物流回归等传统方法相比,DNN模型显示了ASD的优异预测性能.
• 通过DDPG系统优化的模拟干预导致了显著的改善:社会技能提高了25%,行为问题减少了30%,情绪稳定性提高了20%.
• 综合系统显示,模拟的高风险自闭症病例大幅减少,在队列内从65%降至25%.

结论:

• 开发的集成人工智能系统提供了一个有前途的,数据驱动的方法,用于早期发现自闭症和个性化心理社会干预.
• 该系统在预测方面的高准确性和适应性干预措施的证明有效性突显了其改善自闭症管理的潜力.
• 这种方法提高了早期查能力,并根据每个孩子的独特需求量身定制干预措施,可能导致更好的发育轨迹.