基于机器学习与可解释人工智能的婴儿孤独症谱系障碍早期诊断研究

本研究创新性地结合机器学习（SVM、RF、DT）与可解释AI技术（SHAP），通过分析婴儿脑电图（EEG）功率值实现孤独症谱系障碍（ASD）的早期诊断。模型表现优异（SVM AUC=93%，RF AUC=90%），为1岁以下婴幼儿ASD的客观筛查提供了新思路，对突破18月龄前行为指标缺失的诊断困境具有重要意义。

　　

讨论

• •
  分析结果揭示了支持向量机（SVM）、随机森林（RF）和决策树（DT）三种分类器在特定数据集上的性能差异。
  整体表现：RF分类器的平均准确率（约0.73）略优于DT（约0.70）并与SVM（约0.71）持平，其F1分数也与SVM相当。这表明RF在处理EEG特征时展现出更好的稳健性。值得注意的是，SVM在特定数据子集上表现出最高峰值性能，暗示其对于某些EEG模式具有高灵敏度，但可能存在过拟合风险。模型性能的波动凸显了特征工程与超参数优化对提升诊断稳定性的关键作用。

局限性及未来工作

本研究存在一定局限性：结论基于特定数据集，普适性有待验证。未来可通过探索更丰富的特征工程方法、超参数优化策略及混合集成学习模型来进一步提升性能。结合多中心、大样本的EEG数据验证将显著增强模型的临床适用性。

结论

本研究成功构建了基于EEG的机器学习模型，可准确区分ASD患儿与正常发育婴儿。通过引入可解释AI技术（SHAP），清晰揭示了模型决策依据，增强了诊断结果的可信度。该研究为ASD的早期客观诊断提供了具有临床应用潜力的新工具。