本文探讨使用对比变分自编码器（CVAE）提取结构磁共振成像（s-MRI）特征进行儿童自闭症谱系障碍（ASD）机器分类的方法，数据来自深圳市儿童医院，使用转移学习策略提高预测精度，并针对不同大脑区域进行了神经解剖解释。

Jul, 2023

利用不同机器学习算法研究自闭症的诊断方法，发现了最重要的特征并自动化了诊断过程，同时采用流行的聚类算法对数据集进行了进一步分析，得出了最佳聚类模型。

Sep, 2023

利用多层图形转化神经网络（METAFormer）模型和自主预训练技术对 407 个孤独症谱系障碍（ASD）患者和 476 个对照组（TC）被试的大脑静息态功能磁共振成像数据进行分类，结果表明，该模型在分类准确性和 AUC 得分等方面优于现有技术。

Jul, 2023

针对孤独症谱系障碍（ASD）的多因素发病学认识，本研究提出了一种融合遗传、人口统计和神经影像数据的整合模型，采用基因数据引导对模型预测重要性的神经影像特征进行修饰的注意力机制，进一步提高 ASD 分类和严重程度预测的性能。

Aug, 2023

该研究提出了一种隐私保护的开源数据集 MMASD，它包括来自 32 个 ASD 儿童游戏治疗干预的数据，被分割成超过 100 个小时的干预录音，并由四个隐私保护数据模式组成，可帮助研究人员了解儿童的认知状态，监测他们在治疗期间的进展，并相应地定制治疗计划。

Jun, 2023

研究使用机器学习来加速 ASD 检测和诊断的最新概率方法，着重评估其适用的数据集类型、准确性以及在 ASD 分类中的表现。

Mar, 2023

自闭症谱系障碍是一种典型的大脑发育异常，导致社交技能、交流能力、重复行为和感觉处理方面的障碍。本研究开发了一种以大脑 MRI 白质为重点的计算机辅助诊断模型，采用放射学和机器学习方法，结合多个机器学习模型（如支持向量机、随机森林、逻辑回归和 K 近邻算法）进行自闭症预测，预测准确率均超过 80%。此外，我们还应用卷积神经网络分析分割后的白质图像，实现了 86.84% 的预测准确率，其中支持向量机表现最佳，达到 89.47% 的预测准确率。这些发现不仅突出了模型的效能，还建立了白质异常与自闭症之间的联系。本研究为自闭症的各种诊断模型提供了全面的评估，并引入了一种基于 MRI 白质区域的早期客观自闭症诊断的计算机辅助诊断算法。

May, 2024

自闭症谱系障碍 (ASD) 对儿童的生活常常造成困难，因此早期诊断对于正确的治疗和关怀是必要的。为了帮助医疗专业人员早期发现，我们提出了一种分析儿童对感官刺激反应的深度学习模型，旨在捕捉 ASD 和非 ASD 患者之间反应和行为的关键差异。与许多 ASD 分类中的研究不同，我们的数据是由 MRI 数据组成，这需要昂贵的专用 MRI 设备，而我们的方法仅依赖于一台相对较便宜的 GPU、一套不错的计算机配置和一个用于推断的视频摄像机。我们的数据结果表明，我们的模型能够很好地进行泛化并理解患者不同运动之间的关键差异，尽管对于深度学习问题的数据量有限，模型输入上有限的时间信息和因运动而产生的噪音。

Feb, 2024

使用来自 ABIDE I 数据库的结构性磁共振成像（sMRI）数据，评估受试者的状况和不同中心之间的差异，揭示自闭症和正常对照组之间的结构性脑区别的局限性。

Apr, 2024

针对 2 岁以下儿童的传统的基于交流和行为模式的诊断方法不够可靠，因此我们提出了一种深度学习的方法来提取关键特征从病态的、类不平衡和异质的结构 MR 图像中进行早期的自闭症诊断，该方法通过 Siamese 验证框架扩展稀缺数据，通过无监督压缩器抑制数据不平衡，通过权重约束解决样本异质性，并使用 Path Signature 来纵向解读两个时间点的数据，以此有效的完成了早期自闭症的诊断。

Jul, 2023