迈向公平的自闭症谱系障碍诊断：基于行为与面部数据的机器学习与深度学习模型比较研究
计算机视觉与模式识别
2024-11-12 v1 人工智能
机器学习
摘要
自闭症谱系障碍（ASD）在女性中常被漏诊，因为传统诊断方法忽视了性别特异性的症状差异。本研究评估了机器学习模型，特别是随机森林和卷积神经网络，通过结构化数据和面部图像分析来增强ASD诊断。随机森林在各数据集上实现了100%的验证准确率，突显了其处理复杂关系和减少假阴性的能力，这对早期干预和解决性别偏差至关重要。在基于图像的分析中，MobileNet优于基线CNN，达到了87%的准确率，尽管30%的验证损失表明可能存在过拟合，需要进一步优化以在临床环境中保持鲁棒性。未来的工作将侧重于超参数调优、正则化和迁移学习。将行为数据与面部分析相结合可以改善对诊断不足群体的诊断。这些发现表明，随机森林的高准确率和平衡的精确率-召回率指标可以改善临床工作流程。MobileNet的轻量级结构也显示出在资源有限环境中的前景，可实现可及的ASD筛查。解决模型可解释性和临床医生信任将是至关重要的。
引用
@article{arxiv.2411.05880,
title = {Towards Equitable ASD Diagnostics: A Comparative Study of Machine and Deep Learning Models Using Behavioral and Facial Data},
author = {Mohammed Aledhari and Mohamed Rahouti and Ali Alfatemi},
journal= {arXiv preprint arXiv:2411.05880},
year = {2024}
}