基于深度卷积神经网络加权平均集成(Weighted-Average Ensemble)的眼动追踪图像自闭症谱系障碍(Autism Spectrum Disorder, ASD)检测方法

《Machine Learning and Knowledge Extraction》：Autism Spectrum Disorder Detection Using a Weighted-Average Ensemble of Deep Convolutional Neural Networks on Eye-Tracking Images

　　

自闭症谱系障碍（Autism Spectrum Disorder, ASD）是一种长期的神经发育障碍。早期诊断是及时进行康复和干预的关键。近年来，机器学习(Machine Learning, ML)和深度学习(Deep Learning, DL)技术在利用眼动追踪扫描路径(Eye-Tracking Scanpath, ETSP)图像进行ASD早期检测方面得到了广泛探索并取得了令人鼓舞的结果。然而，由于各单一模型在学习方法和架构设计上的差异，这些方法存在性能不一致、分类错误率较高以及泛化能力有限的问题。为解决上述问题，研究人员采用基于眼动追踪扫描路径图像的深度学习模型加权平均集成方法进行ASD检测。本研究选用两种经证实有效的预训练卷积神经网络(Convolutional Neural Network, CNN)——Xception和VGG16——进行微调并在包含眼动追踪扫描路径图像的数据集上进行评估。研究人员实施加权平均集成技术融合两个模型的不同预测结果，从而降低分类误差，提升模型的泛化能力和整体性能。所采用的加权平均集成技术取得了98.18%的准确率(Accuracy)、完美的召回率(Recall, 100.00%)以及具有竞争力的受试者工作特征曲线下面积（Area Under the Curve of ROC, AUC）99.59%。研究结果表明，应用加权平均整合多模型预测可增强ASD检测的泛化性与可靠性。

论文解读：基于深度卷积神经网络加权平均集成的眼动追踪图像自闭症谱系障碍检测研究

一、研究背景与目的

自闭症谱系障碍（Autism Spectrum Disorder, ASD）是一种复杂的神经发育性疾病，以社交沟通缺陷及局限重复行为为特征。据美国疾病控制与预防中心（Centers for Disease Control and Prevention, CDC）2023年数据，美国儿童ASD患病率约为1/36，全球约1%的儿童受影响。传统诊断依靠自闭症诊断观察量表（Autism Diagnostic Observation Schedule, ADOS）和自闭症诊断访谈（Autism Diagnostic Interview, ADI），依赖行为观察和主观判断，耗时且存在主观偏差。眼动追踪（Eye Tracking）技术可记录被试对视觉场景的注视点（Point of Gaze, POG）及扫描路径（Scanpath），研究发现ASD患者与典型发育（Typically Developing, TD）儿童的眼动模式存在显著差异，使其成为潜在的客观生物标志物。近年虽有研究利用卷积神经网络（Convolutional Neural Network, CNN / Deep Convolutional Neural Network, DCNN）对眼动追踪扫描路径（Eye-Tracking Scanpath, ETSP）图像进行分类，但单一DCNN在小样本医疗影像数据上易出现过拟合、架构偏差及泛化能力差等问题。集成学习（Ensemble Learning, EL）通过结合多模型优势可弥补上述不足。本文提出一种基于验证集优化权重的加权平均集成（Weighted-Average Ensemble, WA-Ensemble）框架，融合Xception与VGG16的预测概率，以提升ASD检测的准确率与鲁棒性。该论文发表于《Machine Learning and Knowledge Extraction》。

二、关键技术方法

研究人员使用公开数据集VETSP（Visualization of Eye-Tracking Scanpaths in ASD Image Dataset），含59名儿童（30名ASD，29名TD）共547张ETSP图像（328张TD，219张ASD）。图像经灰度化、伽马校正、形态学操作预处理并归一化至[0,1]，伪RGB三通道输入，尺寸统一为128×128像素。按8:1:1比例分层随机抽取训练集、验证集和测试集（图像级划分）。训练时采用旋转、平移、水平翻转进行数据增强。基模型选用预训练于ImageNet的Xception（附加全连接层512/256神经元、Dropout率0.5/0.3）和VGG16（附加全连接层1024/512/256神经元、Dropout率0.4/0.5），均使用Adam优化器（学习率0.001）和分类交叉熵损失，训练100轮（Batch Size=32）。集成阶段通过在验证集上对权重w∈[0,1]以步长0.01做网格搜索（w_Xception+w_VGG16=1），取验证性能最优的权重（Xception: 0.37, VGG16: 0.63）对两模型输出的类别概率做加权平均得到最终预测。评价指标包括准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1值及ROC–AUC，并通过Bootstrap重采样（1000次）计算95%置信区间。

三、研究结果

4.1. Baseline Performance of Fine-Tuned Xception and VGG16 Models

单独微调后的Xception与VGG16在测试集上均取得96.36%的准确率。Xception精确率、召回率、F1值均为95.45%，混淆矩阵显示TD类误判1例、ASD类误判1例，表现均衡。VGG16召回率达100.00%（22例ASD全正确识别），但精确率为91.67%（TD类误判2例），显示其更倾向不漏诊ASD但略有过度分类倾向。两者互补的错误模式支持集成融合。

4.2. Performance Evaluation of a Weighted-Average Ensemble of Xception and VGG16

加权平均集成（WA-Ensemble）在测试集上取得准确率98.18%、精确率95.65%、召回率100.00%、F1值97.78%、ROC–AUC 99.59%。混淆矩阵显示ASD类零假阴性（22/22正确），TD类仅1例假阳性（32/33正确）。类特异性分析表明，集成对TD类达到100.00%精确率与96.96%召回率，对ASD类达95.65%精确率与完美召回，两类F1值分别为98.46%（TD）和97.78%（ASD），超越任一单模型，证明验证集优化权重融合可有效平衡灵敏度与特异度并提升泛化能力。

4.3. Effect of Data Augmentation on Individual Models and Ensemble Performance

对比有无数据增强的实验显示，数据增强使Xception、VGG16及WA-Ensemble的各项指标均有提升，表明增强与小样本眼动图像集成策略具互补效应，增强后集成模型达最佳分类性能。

4.4. Comparative Analysis with State-of-the-Art Pretrained Deep Learning Architectures

将WA-Ensemble与EfficientNetB1–B4、ResNet50/101及其V2变种、MobileNet/V2、VGG19、DenseNet121、InceptionV3、InceptionResNetV2等15种预训练DCNN比较，WA-Ensemble在准确率、召回率、F1值及AUC上均优于单一主流预训练架构，验证了异构CNN加权平均融合相较单一模型能降低误差、缓解过拟合并捕获互补特征。

4.5. Benchmarking Against Existing ASD Detection Methods Using the VETSP Image Dataset

与同数据集上已有方法对比：T-CNN-ASD（Alsaidi et al.）准确率95.59%；ASDNet（Mumenin et al.）准确率98.12%、AUC 99.72%；堆叠集成（Jaradat et al.）最高准确率98.18%但未报告F1与AUC。WA-Ensemble在全指标均衡性上超越T-CNN-ASD与Jaradat等方法的堆叠集成，与ASDNet具竞争力且在召回率（100%）与集成方法简洁性上具优势。

四、讨论与结论翻译

研究人员指出，所提加权平均集成方法有效结合了Xception的均衡判别力与VGG16对ASD的高灵敏度，通过验证集网格搜索确定最优权重（Xception 0.37, VGG16 0.63），最终测试集准确率达98.18%，精确率95.65%，召回率100.00%，F1值97.78%，ROC–AUC 99.59%。类层面分析证实加权融合减轻了单模型局限，使TD与ASD两类的分类表现更平衡。数据增强进一步提升了个体模型与集成的泛化能力。相较于其他预训练DCNN及现有ASD检测方法，该集成框架在VETSP数据集上具最优或具竞争力的综合性能。临床意义上，完美召回率适合筛查场景以减少ASD漏诊，低假阳性亦支持其作为辅助临床决策工具；但仍需在更大规模、多中心队列及被试级（participant-level）数据划分下进一步验证，并引入可解释性机制以增强透明度。局限性包括VETSP数据集较小及采用图像级划分可能存在同一被试图像跨子集的数据泄露风险。总体而言，基于验证集优化的异构CNN加权平均融合为眼动追踪扫描路径图像ASD检测提供了一种简便、高效、可解释性强且性能优越的方案。