基于人工智能的儿童自闭症面部表情诊断研究：开拓早期精准诊断新路径

为解决自闭症谱系障碍（ASD）早期诊断难题，研究人员开展利用深度学习模型检测儿童自闭症相关学习困难的主题研究。结果显示，ResNet152 独立运行时准确率达 89%，ViT-ResNet152 混合模型将诊断准确率提升至 91.33%。该研究为 ASD 早期诊断提供了精准、标准化方法11112。

　　自闭症，这个神秘的病症如同隐匿在孩子成长道路上的 “暗礁”，悄无声息地影响着无数家庭。据统计，全球每 54 名儿童中就约有 1 人患病。目前，传统的自闭症诊断方法，如行为评估，不仅耗时漫长，还容易受到主观因素的干扰，就像戴着有色眼镜看问题，难以做到客观准确。而且，语言障碍、个体差异等因素也限制了现有诊断手段的效果。在这样的困境下，研究人员急需寻找一种更精准、高效的诊断方法，为自闭症儿童的早期干预争取宝贵时间23。

来自沙特阿拉伯的 Jouf 大学、Princess Nourah Bint Abdulrahman 大学以及埃及的 Cairo 大学、Menoufia 大学的研究人员，踏上了探索自闭症诊断新方法的征程。他们开展了一项极具意义的研究，旨在通过深度学习模型，利用面部表情分析来检测儿童自闭症相关学习困难。研究结果令人振奋，他们成功开发出一种 ViT-ResNet152 混合深度学习模型，将自闭症诊断的准确率提高到了 91.33%，这一成果为自闭症的早期诊断带来了新的希望。该研究成果发表在《Scientific Reports》上112。

研究人员为开展这项研究，运用了多种关键技术方法。他们选用了 Kaggle 上的儿童面部图像数据集，其中涵盖了自闭症和非自闭症儿童的图像。同时，采用了包括 DenseNet201、ResNet152、VGG16 等在内的六种先进卷积神经网络（CNN）架构以及混合模型进行实验。在实验过程中，使用了迁移学习和微调技术对模型进行训练和优化46。

下面来看具体的研究结果：

1. 模型性能评估指标：研究使用准确率、敏感度、特异度、F1 评分等指标评估模型性能。准确率衡量模型正确预测的比例；敏感度体现正确预测阳性病例的精准度；特异度关注模型识别阴性病例的准确性；F1 评分综合了精准度和召回率，用于评估模型在识别阳性和阴性实例方面的准确性5。
2. 数据集：数据集来自 Kaggle，包含欧洲和美国等地区儿童的面部图像，涵盖自闭症和非自闭症儿童。数据经过像素归一化、调整大小等预处理，还采用图像旋转、翻转等增强技术，以提高模型的泛化能力。数据集被划分为训练集、验证集和测试集67。
3. 结果：实验对比了多个模型，发现 ResNet152 独立运行时表现出色，准确率达 89%。而 ViT-ResNet152 混合模型更为突出，准确率达到 91.33%，在各项指标上均优于其他模型，且推理速度快，适用于临床实时应用。同时，研究还发现部分模型存在过拟合问题，通过添加正则化和数据增强技术进行了改善8910。

在研究结论和讨论部分，研究表明深度学习模型在检测儿童自闭症相关学习困难方面具有巨大潜力。ResNet152 在独立模型中表现优秀，而 ViT-ResNet152 混合模型进一步提升了诊断准确率和数据集泛化能力。不过，该研究也存在一些局限性，如数据集未涵盖所有潜在自闭症患者，存在地理偏见，模型性能受数据类型和患者群体差异影响等。尽管如此，这项研究依然意义重大，它为自闭症的早期诊断提供了新的方向和有力工具，推动了人工智能在医疗领域的应用。未来，随着研究的不断深入和数据集的进一步完善，有望开发出更精准、可靠的自闭症诊断方法，为全球自闭症儿童及其家庭带来更多的希望和帮助。