Sep, 2023

机器学习方法在自闭症谱系障碍的早期诊断中的应用

PDF
TL;DR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。
autistic spectrum disordermachine learningdiagnosisclassification modelsclustering algorithms
发现论文，激发创造
  • 自闭症检测的概率深度学习方法比较

    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

  • 通过 INDT-ASD 印度数据库利用机器学习进行早期自闭症检测

    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

  • 提高 ASD 检测准确性：结合自然语言处理的机器学习和深度学习模型的综合方法

    利用人工智能（AI）诊断自闭症谱系障碍（ASD）的研究表明了其对 ASD 诊断尤其是儿童的早期发现的重要性，使用深度学习和机器学习从社交媒体的文本输入中检测 ASD，达到了 88% 的高准确率。

    Mar, 2024

  • 基于对比变分自动编码器提取的结构 MRI 特征的儿童孤独症谱系障碍分类

    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

  • 利用机器学习探索自闭症中的言语模式障碍

    通过分析检查者 - 患者对话，本研究提供一种综合方法，用于识别独特的语音模式，并利用机器学习在自闭症谱系障碍 (ASD) 的诊断过程中支持早期检测和个性化治疗规划。

    May, 2024

  • 基于深度学习的视频自闭症检测

    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

  • 基于联邦学习的支持向量分类器实现精准自闭症谱系障碍预测 (SVCFL)

    通过使用四个数据集，采用联邦学习方法收集数据并使用支持向量分类器方法进行诊断，本文讨论了这种障碍的早期诊断。利用这种方法，我们预测孤独症谱系障碍的准确率达到 99％，结果改善了 13％。

    Nov, 2023

  • 结合放射医学和机器学习方法进行客观自闭症诊断：验证白质与自闭症的关联

    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

  • 基于结构 MRI 的自闭症谱系障碍分类元数据研究

    本文研究了三类 meta-data 对来自 20 个不同来源的结构性 MRI 数据的自闭症谱系障碍分类预测准确性的影响。

    Jun, 2022

  • 基于路径签名和孪生自编码器的自闭症早期诊断

    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