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

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

该研究使用机器学习和神经科学方法，基于 ADHD200 数据集进行多分类和二分类诊断生物标记，使用基于 MRI 数据的功能连接和表型数据的两个分类器通过集成技术实现了二分类的准确诊断，准确率达到 92.5%。

Feb, 2023

基于异常模式和极值理论的开放集识别模型 OpenAPMax 可用于阿尔茨海默病的诊断。

Jul, 2023

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

本文提出了 OSODD 任务，使用开放式对象检测器识别未知对象的同时，基于其视觉外观无需人力，进一步发现未知对象的类别。我们提出了使用开放式对象检测器预测已知和未知对象的两阶段方法，然后以无监督的方式研究预测对象的表示，并从未知对象集合中发现新类别。在完整的评估协议下展示了我们模型在 MS-COCO 数据集上的性能。这项工作将促进更加强健的实际检测系统的研究。

Apr, 2022

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

通过使用机器学习开发了一种简便、快速和低成本的方法来识别自闭症，其中支持向量机作为最优模型具有更高的准确率、更高的召回率以及相对于随机森林提高了 2.22％至 6.67％的准确率。

Apr, 2024

本文提出了一个大规模的综合数据集，包括大约 1.3 百万患者的诊断、症状和先决条件的差异诊断，用于自动症状检测和自动诊断系统的训练，以帮助医生更好地了解这些系统的推理。

May, 2022

OpenClinicalAI 是首个在复杂不确定的临床环境中动态制定诊断策略并提供诊断结果的端到端模型，通过耦合深层多动作增强学习（DMARL）和多中心元学习（MCML）来完成开放式识别并取得比现有模型更优秀的性能和更少的临床检查，为将 AD 诊断系统嵌入当前医疗保健系统提供机会。

Jul, 2023