编辑推荐：
目前自闭症谱系障碍（ASD）筛查方法常聚焦单范式或孤立特征，限制了筛查准确性。研究人员开展基于多范式外观特征的 ASD 筛查研究，整合多种特征分类，分类准确率达 0.932，灵敏度达 0.947，为筛查 ASD 儿童提供新途径。
自闭症，这个被称为 “星星的孩子” 所患的病症，一直以来都是医学和科学界的重点研究对象。自闭症谱系障碍（ASD）是一种神经发育障碍，患者在社会沟通和行为方面存在缺陷。想象一下，那些患有自闭症的孩子，他们仿佛被困在自己的世界里，难以与外界顺畅交流，无法像正常孩子一样轻松地表达自己的情感和想法。
目前，自闭症的诊断面临诸多难题。一方面，其核心认知缺陷尚未完全明确，也缺乏针对核心症状的有效医学治疗方法。另一方面，现有的筛查手段存在明显不足。通过分析大脑生物标志物，如磁共振成像（MRI）和脑电图（EEG），虽能探索 ASD 的内部机制，但这些方法需要在医院或实验室借助专业医疗设备进行，在一些欠发达地区难以实现。而通过分析行为信号来推断 ASD 内部机制的方法，大多数现有研究仅关注单一范式内的单一特征。比如只盯着孩子在某一个特定任务中的眼神注视情况，或者仅仅分析某一种表情，这样做无法全面捕捉自闭症儿童与正常发育（TD）儿童之间的行为差异，极大地限制了筛查的准确性。
为了解决这些问题，来自未知研究机构的研究人员开展了一项意义重大的研究。他们提出了一种基于多范式外观特征的儿童自闭症筛查方法，旨在提高自闭症筛查的准确性，为早期诊断提供更有效的途径。最终研究取得了令人瞩目的成果，该方法在区分自闭症儿童和正常发育儿童时，分类准确率达到了 0.932，灵敏度达到了 0.947，这一成果发表在《Displays》上。该研究成果对于早期发现自闭症儿童、及时进行干预治疗具有重要意义，为自闭症的早期诊断开辟了新的道路，有望让更多 “星星的孩子” 得到更早、更有效的帮助。
研究人员主要运用了以下关键技术方法：首先，使用单目相机和眼动追踪设备收集 21 名自闭症儿童和 23 名正常发育儿童在多种实验范式下的面部和眼动数据，构建了 ASD - TD 数据集。然后，从儿童执行范式的面部视频中提取注视点、面部表情和头姿角度等特征。最后，采用累积法聚合时空信息，并将提取的特征输入长短期记忆（LSTM）模型进行分类。
实验设置
研究的实验环境包括：操作系统为 Windows 11，CPU 是 Intel Core i5 - 12400F，GPU 是 Nvidia GeForce GTX 4060，开发环境由 Python 3.9、PyTorch 1.8.0 和 CUDA 11.1 构成。通过这样的设置，为后续的实验数据处理和模型训练提供了稳定的基础。
研究结果
研究人员提出的方法包括收集面部视频、提取特征、特征融合与分类三个阶段。在收集阶段，利用特定设备获取了大量儿童在不同范式下的面部和眼动数据。提取特征时，综合考虑了注视点、面部表情和头姿角度等外观特征。在特征融合与分类环节，通过累积法整合时空信息，再借助 LSTM 模型进行分类。最终实现了在区分自闭症儿童和正常发育儿童时，分类准确率达 0.932，灵敏度达 0.947。这表明该方法能够有效捕捉自闭症儿童和正常发育儿童在外观特征上的差异，为自闭症筛查提供了有力的支持。
研究结论与讨论
研究人员成功提出了一种基于多范式外观特征的视频分类方法用于自闭症筛查，整合了注视点、面部表情和头姿等多模态特征，跨越多种实验范式。通过融合这些特征并运用 LSTM 网络，取得了 0.932 的准确率和 0.947 的灵敏度，达到了当前先进水平。这充分证明了结合多种范式和特征进行自闭症筛查的有效性。然而，研究也存在一定的局限性，但此次研究为后续自闭症筛查的进一步研究和发展奠定了坚实基础，未来有望在此基础上不断优化，为自闭症的早期诊断和干预带来更多突破，让更多自闭症儿童能够得到及时的帮助和支持，融入正常生活。
