基于优化时序归纳路径神经网络的孤独症谱系障碍早期检测模型研究

《Patient Education and Counseling》：Optimized Temporal Inductive Path Neural Network based Early-Stage Detection of Autism Spectrum Disorders

本文提出了一种结合动态狩猎领导优化算法（DHLOA）的时序归纳路径神经网络（TIPNN）模型，用于孤独症谱系障碍（ASD）的早期筛查。该模型通过预处理（PLMCKF）、特征选择（CFOA）和时序模式捕捉，显著提升了分类准确率（提升26.36%）、精确度（20.67%）和召回率（12.04%），为临床早期干预提供了可靠的技术支持。

　　

文献综述

近年来，针对孤独症谱系障碍（ASD）的深度学习研究取得了显著进展，以下是一些最新研究的梳理：

Hasan等人[20]开发了一种机器学习（ML）框架用于ASD的早期检测。该研究为评估多种ML方法在ASD早期识别中的效果提供了实用框架。研究中采用了四种不同的特征缩放方法：分位数转换器（Quantile Transformer）、标准化器（Normalizer）、幂变换器（Power Transformer）和最大绝对值缩放器（Max Abs Scaler）。团队还使用了八种简洁而高效的ML算法进行对比分析。

提出的方法论

本研究探讨了基于优化时序归纳路径神经网络的孤独症谱系障碍早期检测系统（TIPNN-ES-DASD-DHLOA）。研究流程包括数据收集、预处理（处理缺失值和编码）、特征选择以及分类。最终模型将ASD分类为“患有ASD”和“未患ASD”两类。整个框架包含五个核心步骤（具体步骤未在摘要中展开）。

结果与讨论

本节展示了TIPNN-ES-DASD-DHLOA模型的仿真结果。实验环境配置如下：Intel? Core? i7-12700K处理器、NVIDIA GeForce RTX 3080显卡（10GB显存）、64GB内存、1TB NVMe固态硬盘，操作系统为Ubuntu 20.04 LTS。模型基于Python 3.8和PyTorch 1.12.0开发，配合CUDA 11.7、cuDNN 8.4以及NumPy、Pandas、Scikit-learn、SciPy等库。通过固定随机种子确保了实验的可重复性。

结论

本研究提出的TIPNN-ES-DASD-DHLOA模型在ASD早期检测中表现出优越性能。通过结合PLMCKF预处理、CFOA特征选择、TIPNN分类器以及DHLOA优化算法，模型能够有效捕捉ASD数据中的时序关联，在保持高置信度的同时显著降低误差。与现有技术相比，该方案在多项指标上均取得了突破性进展。