52、基于深度学习的人类动作识别框架评估自闭症或发育迟缓风险儿童

基于深度学习的人类动作识别框架评估自闭症或发育迟缓风险儿童

1. 引言

自闭症谱系障碍（ASD）和神经发育迟缓（NDD）的患病率不断上升，促使研究人员寻求技术驱动的解决方案，用于早期筛查、风险评估和治疗监测。目前，疑似发育风险的儿童需通过临床医生进行诊断测试，参考如ADOS和CARS - 2等黄金标准测试，记录行为观察和对刺激的反应来确诊。在诊断和评估中，会测量各种功能技能，如精细和粗大运动技能、学术活动以及日常生活活动，以制定干预措施。

然而，当前对NDD儿童的风险评估和诊断过程存在诸多局限性：
1. 缺乏熟练的治疗师，特别是在地理偏远地区。
2. 检测、诊断和干预服务质量差。
3. 经济可承受性问题以及缺乏基于数据的决策。

这些局限性导致家庭从发现发育问题到确诊之间存在两年的延迟，使儿童错过早期干预服务，而早期干预在大脑神经可塑性最高的前三年最为有益，延迟可能影响儿童的社交、学业和社会融入。因此，早期检测和干预对NDD和ASD儿童至关重要。

近年来，医疗保健领域越来越多地采用机器学习（ML）应用。ML在学术研究中的应用自20世纪中叶就已出现，其更高的采用率可归因于三个因素：
1. 计算能力的提高。
2. 多模态数据的可用性。
3. 深度学习方法的出现。

目前，学术研究实验室和企业已在三个关键领域研究AI和ML的应用：
1. 应用ML预测分子的药理特性以进行药物开发。
2. 将模式识别和分割算法应用于医学图像和行为视频，以加速诊断和疾病进展跟踪。
3. 在多模态遗传和临床数据上使用深度学习（DL）识别疾病发作并开发预测模型。

ML