翻译 综述：机器学习方法在自闭症谱系障碍早期检测中的应用探索

推荐 本文综述了多种机器学习算法在自闭症谱系障碍（ASD）早期检测中的应用，展示了其在不同数据集上的高准确性和有效性。研究表明，支持向量分类器（SVC）和逻辑回归（LR）等方法在儿童和幼儿中表现出色，具有潜在的临床应用价值。

　　

文章内容

自闭症谱系障碍概述

自闭症谱系障碍（ASD）是一种神经发育状况，影响个体的社交沟通能力、重复行为以及获取新知识的能力。该症状通常在儿童早期显现，特别是在6个月到5岁之间。随着时间的推移，这些症状会逐渐加重。早期诊断和干预对改善患者的长期预后和生活质量至关重要。

研究背景

近年来，ASD的患病率显著增加。根据美国疾病控制与预防中心（CDC）的数据，每36名儿童中就有1名被诊断为自闭症。在孟加拉国，ASD的患病率约为每1000名儿童中有2例。由于传统诊断方法依赖于临床评估，存在主观性和耗时的问题，因此需要更有效的筛查工具。

研究目的

本研究旨在利用机器学习算法，通过筛选工具识别ASD，特别是针对儿童和幼儿。研究的重点是经典的机器学习技术，包括逻辑回归（LR）、支持向量分类器（SVC）、K近邻算法（KNN）、决策树（DT）和随机森林（RF）。这些算法在处理结构化数据方面表现出色，能够在资源有限的环境中提供实用的解决方案。

数据集和方法

研究中使用了三个数据集：UCI儿童数据集、Kaggle幼儿数据集和一个来自孟加拉国的真实世界数据集。数据预处理包括处理缺失值、数据离散化和独热编码。机器学习模型的训练和测试采用了交叉验证的方法，以确保模型的泛化能力和避免过拟合。

结果与讨论

研究发现，支持向量分类器在幼儿数据集上达到了100%的准确率和平均交并比（mIoU），而逻辑回归在幼儿数据集上也有出色的表现。在儿童数据集上，所有算法均达到了100%的准确率和mIoU。这些结果表明，机器学习算法在ASD的早期检测中具有巨大的潜力。

结论与未来工作

本研究证明了经典机器学习算法在ASD早期检测中的有效性。未来的工作将包括在更大的数据集上测试这些模型，结合神经影像数据和图像处理技术，以及探索深度学习方法。此外，研究还将扩展到青少年和成人，以确保其在不同年龄组和临床特征中的广泛应用。

伦理和资金声明

本研究未涉及人类或动物受试者，因此无需正式的伦理批准。研究是在没有外部资金的情况下进行的。

关键词

自闭症谱系障碍|机器学习|支持向量分类器|逻辑回归|决策树|随机森林|K近邻算法|早期检测|数据集|模型评估

文章内容

自闭症谱系障碍概述

自闭症谱系障碍（ASD）是一种复杂的神经发育障碍，其特征包括社交沟通障碍、重复行为模式以及获取新知识的能力受限。这些症状通常在儿童早期显现，尤其是在6个月到5岁之间。随着时间的推移，这些症状可能会变得更加明显和严重。因此，早期诊断和干预对于改善患者的生活质量和长期预后至关重要。

研究背景

近年来，ASD的患病率显著增加。根据美国疾病控制与预防中心（CDC）的数据，每36名儿童中就有1名被诊断为自闭症。在孟加拉国，ASD的患病率约为每1000名儿童中有2例。传统的诊断方法依赖于临床评估，这种方法不仅耗时，而且具有一定的主观性。因此，需要更有效的筛查工具来辅助诊断。

研究目的

本研究旨在利用机器学习算法，通过筛选工具识别ASD，特别是针对儿童和幼儿。研究的重点是经典的机器学习技术，包括逻辑回归（LR）、支持向量分类器（SVC）、K近邻算法（KNN）、决策树（DT）和随机森林（RF）。这些算法在处理结构化数据方面表现出色，能够在资源有限的环境中提供实用的解决方案。

数据集和方法

研究中使用了三个数据集：UCI儿童数据集、Kaggle幼儿数据集和一个来自孟加拉国的真实世界数据集。UCI儿童数据集包含292名4至11岁儿童的记录，而Kaggle幼儿数据集则包含1050名18至36个月大的幼儿的记录。真实世界数据集则包含了250名来自孟加拉国自闭症学校和主流学校的儿童的记录。

数据预处理包括处理缺失值、数据离散化和独热编码。机器学习模型的训练和测试采用了交叉验证的方法，以确保模型的泛化能力和避免过拟合。

结果与讨论

研究发现，支持向量分类器在幼儿数据集上达到了100%的准确率和平均交并比（mIoU），而逻辑回归在幼儿数据集上也有出色的表现。在儿童数据集上，所有算法均达到了100%的准确率和mIoU。这些结果表明，机器学习算法在ASD的早期检测中具有巨大的潜力。

具体来说，支持向量分类器在幼儿数据集上实现了100%的准确率和100%的mIoU，而逻辑回归在幼儿数据集上也达到了100%的准确率和99.80%的mIoU。在儿童数据集上，支持向量分类器和逻辑回归同样表现出色，分别达到了100%的准确率和mIoU。

结论与未来工作

本研究证明了经典机器学习算法在ASD早期检测中的有效性。未来的工作将包括在更大的数据集上测试这些模型，结合神经影像数据和图像处理技术，以及探索深度学习方法。此外，研究还将扩展到青少年和成人，以确保其在不同年龄组和临床特征中的广泛应用。

伦理和资金声明

本研究未涉及人类或动物受试者，因此无需正式的伦理批准。研究是在没有外部资金的情况下进行的。

关键词

自闭症谱系障碍|机器学习|支持向量分类器|逻辑回归|决策树|随机森林|K近邻算法|早期检测|数据集|模型评估

总结

本研究展示了机器学习算法在ASD早期检测中的潜力，特别是在处理结构化数据方面。支持向量分类器和逻辑回归在多个数据集上表现出色，显示出高准确率和mIoU。尽管如此，研究也指出了当前方法的局限性，包括数据集的多样性和模型的泛化能力。未来的研究将进一步探索这些算法在不同人群和数据类型中的应用，以期实现更广泛的临床应用。