本研究旨在提出使用语音处理技术进行自动化评估儿童口语发展的应用，并通过对自然语言样本分析，对使用智能辅助诊断提供了可行性，其实验结果表明 F1 宏分数分别为 82.6% 和 67.8%。

May, 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

我们通过分析从心理学家与典型发育或患有自闭症谱系障碍（ASD）的儿童之间的诊断对话中提取的声学/韵律和语言特征，提出了一种ASD诊断的建模方法。我们比较不同特征在一系列对话任务中的贡献，并着重寻找表征患有ASD的儿童对话行为的最小参数集。除了分析儿童的行为外，我们还研究心理学家的对话行为是否在不同的诊断群体之间有所变化。我们的结果有助于对ASD儿童的对话数据进行细粒度分析，以支持诊断和干预。

Jan, 2024

通过分析来自生物医学、心理学和自然语言处理领域的研究，我们寻找能够指示自闭症的语言、韵律和声学线索。此调查涵盖了自闭症的定义、可能影响正确诊断的共病疾病，以及诸如语言流畅性、韵律特征、不流畅性和说话速度等观察结果。我们还介绍了基于词汇的方法，并描述了对音频数据和文本的机器学习和基于转换器的方法。最后，我们得出结论，目前已有大量研究，但女性患者的研究仍然非常有限，而且大多数自然语言处理研究侧重于传统的机器学习方法，而非在这一领域有潜力的转换器。另外，我们未能找到将音频和文本特征结合起来的研究。

Feb, 2024

本文介绍了一个专门针对韩国自闭症儿童开发的语音语料库，旨在推进发音和严重程度评估等语音技术。通过对自闭症儿童的语音和语言评估会话录音进行转录和注释，提取语音数据并分析语音和语言特征，揭示了自闭症儿童的一些与典型发育儿童或通过临床评分分类的自闭症亚组有所不同的语音和语言特征，为社交沟通严重程度和发音熟练度的自动评估系统的开发提供了潜力。

Feb, 2024

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

本研究探讨了ChatGPT作为一种先进的自然语言处理模型在诊断自闭症相关语言障碍方面的应用，通过提高诊断准确性和描述自闭症的特定语言特征，从而优化诊断流程，并与传统的监督学习模型进行了对比，结果显示ChatGPT在零样本学习配置下的准确性和F1分数均比其他模型提高13%以上，展现了其在神经学诊断中的潜力。同时，研究还找到了与自闭症相关的十个不同实验场景下显著变化的语言特征，例如回声言语、代词转位和非典型语言使用等，这些特征对于准确诊断自闭症和定制治疗方案具有重要意义。因此，该研究呼吁在临床实践中采用像ChatGPT这样的先进人工智能工具来评估和诊断发育性障碍，为自闭症和类似神经疾病的评估提供更高准确性，并与个体化医疗的目标相一致，从而可以潜在地改变诊断的格局。

May, 2024

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

本研究针对自闭症谱系障碍（ASD）儿童在治疗过程中行为变化评估中的不足，通过设计实验从自我中心视角进行言语采样，旨在提高发言者分类的准确性。创新之处在于采用可穿戴传感器和Ego4D言语样本预训练，发现其能显著改善儿童与成人在双边互动中的发言者认知能力。

Sep, 2024

本研究针对临床环境中儿童与成年人对话的可靠转录能力进行评估，填补了现有研究的空白。我们采用最新的语音基础模型对自闭症诊断会话中的儿童-成年人交流数据集进行全面评估，发现相较于成年人语音，儿童语音的转录性能明显下降。通过对表现最佳的模型进行微调，儿童语音的转录错误率改善了约8%。

Sep, 2024