基于联邦加权域自适应的多站点自闭症诊断

为了提高联邦学习(Federated Learning,FL)方法在多站点自闭症诊断中对数据异质性的关注和解决部分站点缺乏标注数据导致的局部阻塞问题,提出了联邦加权域自适应(Federated Weighted Domain Ad⁃aptation,FedWDA)方法。首先,不同于聚合一个共享的全局模型的方法,FedWDA在模型聚合的过程中保留了每个本地模型的批量归一化(Batch Normalization,BN)层,使用推土机距离(Earth Mover’s Dis⁃tance,EMD)计算了BN层的统计信息间的相似性,用于指导站点上模型的加权聚合,为每个站点都提供了更加个性化的本地模型,缓解了数据异质性导致的分类准确度不足的问题;其次,对于缺乏数据标注的站点,FedWDA基于样本伪标签的一致性对本地模型进行了无监督聚类调整,充分利用了无标注站点的数据。在公开的数据集ABIDE上的实验结果表明,所提方法相比其他传统方法在多站点自闭症诊断中具有更高的准确率。

自闭症诊断与服务的发展趋向——美国《精神疾病诊断与统计手册》第五版草案评介与预测

美国精神疾病协会在其最新公布的《精神疾病诊断与统计手册》第五版(DSM-V)草案中,对自闭症及其谱系障碍的诊断标准进行了多项重大的修订,其中包括障碍亚类型的取消、核心症状的缩减、感知觉诊断标准的增加、诊断年龄的调整以及障碍程度等级的设定等。这些修订不仅体现了美国当前自闭症相关研究的主要成果,同时也将对自闭症的诊断过程、诊断工具、诊断结果以及后续的支持服务及相关政策产生重大而深远的影响。

人工智能辅助的自闭症早期患者的筛查与诊断

自闭症谱系障碍(Autistic Spectrum Disorders,ASD)的症状早在婴幼儿期就会显现,越早发现,越早干预,治疗效果越好。传统自闭症早期筛查与诊断在评估方法、流程上存在局限,无法满足大规模筛查和诊断需求。随着人工智能技术的快速发展,使用智能化方法进行自闭症早期大规模无感筛查与诊断逐渐成为可能。近10年间,国内外对自闭症智能化识别方法的探索在经典任务行为、面部表情和情绪、眼动、脑影像、运动控制和运动模式、多模态6个领域积累了丰富的研究成果。未来研究应围绕构建国内自闭症早期智能医学筛查与诊断体系,开发针对婴幼儿患者的筛查工具,构建融合多模态数据的自闭症婴幼儿智能化识别模型,建立结合脑影像技术的自闭症精细化诊断方法等方面来开展。

面向多分类自闭症辅助诊断的标记分布学习

自闭症谱性障碍(ASD)是一系列复杂的神经发展障碍性疾病,其包括若干与发育障碍相关的疾病,但是现有的自闭症辅助诊断方法大多是二分类方法,无法满足现实的需要。此外,ASD数据包含的标记噪声,以及高维度、数据分布不平衡等特点给传统分类方法带来了巨大的挑战。为此,提出一种新型的ASD辅助诊断方法,该方法通过引入标记分布学习(LDL)来解决标记噪声问题,引入代价敏感机制来解决样本不平衡问题,并采用基于支持向量回归(SVR)的标记分布学习方法,通过将样本映射到特征空间,解决高维特征带来的分类困难,最终实现多分类ASD的辅助诊断。实验结果表明,与已有方法比较,所提方法克服了多数类和少数类对结果的影响的不平衡性,可以有效地解决ASD诊断中的不平衡数据问题,拥有更好且稳定的分类性能,可以辅助ASD的诊断。