Food for Thought: Machine Learning in Autism Spectrum Disorder Screening of Infants
Notice bibliographique
Résumé
Diagnoses of autism spectrum disorders (ASD) are typically made after toddlerhood by examining behavioural patterns. Earlier identification of ASD enables earlier intervention and better outcomes. Machine learning provides a data-driven approach of diagnosing autism at an earlier age. This review aims to summarize recent studies and technologies utilizing machine learning based strategies to screen infants and children under the age of 18 months for ASD, and identify gaps that can be addressed in the future. We reviewed nine studies based on our search criteria, which includes primary studies and technologies conducted within the last 10 years that examine children with ASD or at high risk of ASD with a mean age of less than 18 months old. The studies must use machine learning analysis of behavioural features of ASD as major methodology. A total of nine studies were reviewed, of which the sensitivity ranges from 60.7% to 95.6%, the specificity ranges from 50% to 100%, and the accuracy ranges from 60.9% to 97.7%. Factors that contribute to the inconsistent findings include the varied presentation of ASD among patients and study design differences. Previous studies have shown moderate accuracy, sensitivity and specificity in the differentiation of ASD and non-ASD individuals under the age of 18 months. The application of machine learning and artificial intelligence in the screening of ASD in infants is still in its infancy, as observed by the granularity of data available for review. As such, much work needs to be done before the aforementioned technologies can be applied into clinical practice to facilitate early screening of ASD.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».