神经心理发育障碍儿童静态眼睛照片深度学习的病例对照初步研究

背景目前对儿童神经心理发育障碍的诊断主要靠临床表现,尚缺乏客观的生物学指标,一些神经心理发育障碍儿童的眼睛特征可能具有重要的临床价值。目的评价静态眼睛图像是否可以作为儿童神经心理发育障碍的一个潜在的筛查测试。设计病例对照研究。方法双眼图像采集应用Google人脸图片搜索引擎进行图片搜索,以“autism and child/autistic child”和“normal child/healthy child”关键词搜索到的图片分别归为神经心理发育障碍组和对照组。人工删除完全重复的照片、卡通照片、有面部畸形的照片、没有儿童脸的照片和有多个儿童脸部的照片;应用图像工具识别和挖取每张儿童人脸照片中的双眼图像。生成的眼睛图像调整至128×28分辨率(8位灰度)。卷积神经网络(CNN)是基于一台安装了Kera、Scipy和Python成像库(PIL)的Windows 7计算机。采用二进制交叉熵损失函数和RMSprop算法优化器对模型进行训练。将图像数据分为训练集、验证集和测试集。神经心理发育障碍组测试分数>0.5为分类正确,对照组≤0.5为分类正确,训练25次停止。以分组检索结果为“金标准”,以深度学习训练模型分组为待测标准。计算准确率和损失率。主要结局指标根据深度学习训练模型两组特征生成的眼睛图像。结果通过双眼图像采集到826张儿童眼睛图像,神经心理发育障碍组413张,对照组413张。训练集736张(89.1%),验证集44张(5.3%),测试集46张(5.6%)。训练集和验证集准确率随训练次数增加呈升高趋势,训练集和验证集损失率随训练次数增加而逐渐下降。神经心理发育障碍组和对照组测试分数分别为0.66±0.20和0.20±0.15,差异有统计学意义(t=9.03,P<0.001),正确分类例数分别为18/23例(78.3%)和22/23例(95.6%)。准确率为87.0%,敏感度为78.3%(95%CI:58.1%~90.3%),特异度为95.6%(95%CI:79.0%~99.2%)。深度学习训练模型ROC曲线显示,AUC=0.962。由CNN卷积图层的可视化生成神经心理发育障碍组和对照组的眼间距宽,像素数分别为90和70。结论深度学习训练模型可以获得神经心理发育障碍儿童的眼睛特征,这将有利于通过评价眼睛图片提高儿童神经心理发育障碍的早期筛查水平。

背景线索与自我控制的能量损耗效应

为探索眼睛背景和自然背景这两种背景性线索对自我损耗效应的影响.本研究采用3×2的实验设计对120名被试进行实验研究.结果发现,眼睛背景使得自我效能感较低的个体在能量损耗时执行Stroop任务的成绩更差;而风景背景则在一定程度上能够提高能量损耗个体在随后Stroop任务中的成绩.最后,研究指出对那些高负荷工作的人来说,本研究具有重要指导意义.