提出一种用于全面自闭症谱系障碍诊断的系统级机器学习混合架构与方法
图像与视频处理
2021-10-11 v1 计算机视觉与模式识别
医学物理
摘要
自闭症谱系障碍(ASD)是一种严重的神经精神障碍，影响智力发育、社会行为与面部特征，且病例数仍在显著增长。由于 ASD 表现出的症状多样，诊断过程仍具挑战性，存在大量误诊以及耗时且昂贵的诊断。幸运的是，若 ASD 能早期诊断和治疗，患者正常发育的机会将大幅提高。对于 ASD 诊断，机器学习算法可准确高效地分析社会行为与面部特征，从而在远短于当前临床诊断流程的时间内给出 ASD 诊断。因此，我们提议开发一种充分利用社会行为与面部特征数据的混合架构，以提升 ASD 诊断准确率。我们首先针对基于社会行为的模块开发了线性支持向量机，用于分析自闭症诊断观察量表(ADOS)社会行为数据。对于基于面部特征的模块，采用 DenseNet 模型分析面部特征图像数据。最后，我们将支持向量机与 DenseNet 的不同特征整合入一个模型，实现了混合模型。结果表明，所提混合模型在 ASD 诊断上的最高准确率达 87%。本文将讨论各模块的优缺点。
引用
@article{arxiv.2110.03775,
title = {Proposing a System Level Machine Learning Hybrid Architecture and Approach for a Comprehensive Autism Spectrum Disorder Diagnosis},
author = {Ryan Liu and Spencer He},
journal= {arXiv preprint arXiv:2110.03775},
year = {2021}
}