[論文レビュー] Diagnosis of Autism in Children using Facial Analysis and Deep Learning

Madison Beary, Alex Hadsell+2 more|arXiv (Cornell University)|Aug 6, 2020

Autism Spectrum Disorder Research参考文献 16被引用数 25

ひとこと要約

本研究では、顔の画像を用いて自閉症児と神経発達が正常な児を分類する深層学習モデルを提案し、94.6%の正確性を達成した。特徴抽出にMobileNetを活用し、分類に2層の全結合層を用いたモデルは、バランスの取れた3,014枚の画像で訓練された。この結果、行動的評価を必要とせず、視覚的情報のみを用いて自閉症の診断を効果的に実現できることを示し、低コストでスケーラブルな代替手法を提供する。

ABSTRACT

In this paper, we introduce a deep learning model to classify children as either healthy or potentially autistic with 94.6% accuracy using Deep Learning. Autistic patients struggle with social skills, repetitive behaviors, and communication, both verbal and nonverbal. Although the disease is considered to be genetic, the highest rates of accurate diagnosis occur when the child is tested on behavioral characteristics and facial features. Patients have a common pattern of distinct facial deformities, allowing researchers to analyze only an image of the child to determine if the child has the disease. While there are other techniques and models used for facial analysis and autism classification on their own, our proposal bridges these two ideas allowing classification in a cheaper, more efficient method. Our deep learning model uses MobileNet and two dense layers in order to perform feature extraction and image classification. The model is trained and tested using 3,014 images, evenly split between children with autism and children without it. 90% of the data is used for training, and 10% is used for testing. Based on our accuracy, we propose that the diagnosis of autism can be done effectively using only a picture. Additionally, there may be other diseases that are similarly diagnosable.

研究の動機と目的

• 顔の画像のみを用いて、低コストで効率的な自閉症の診断法を開発すること。
• 顔の分析と深層学習を統合し、自閉症の分類を向上させること。
• 自閉症児に特徴的な顔のパターンが、機械学習を用いて診断を信頼性高く予測できるかどうかを評価すること。
• 行動的評価を要しない画像ベースの自閉症検出の実現可能性を示すこと。

提案手法

• モデルは、顔の画像を処理するための特徴抽出器としてMobileNetを採用している。
• 特徴抽出段階の後続に、分類用に2つの全結合層（全結合層）を追加している。
• データセットは、自閉症児と神経発達が正常な児で均等に分けられた3,014枚の画像から構成されている。
• 学習に90%のデータが使用され、テストに10%のデータが使用され、モデルの性能を評価する。
• 標準的な深層学習最適化手法を用いて、エンドツーエンドでモデルを訓練している。
• 分類の正確性は、テストセット上で評価され、診断性能を測定している。

実験結果

リサーチクエスチョン

• RQ1 顔の特徴のみを用いて、自閉症児と神経発達が正常な児を正確に分類できるか？
• RQ2 MobileNetと全結合層を用いた深層学習モデルは、顔の画像から自閉症をどの程度効果的に検出できるか？
• RQ3 限られたバランスの取れた顔の画像データセットを用いて、このモデルは高い正確性を達成できるか？
• RQ4 このアプローチは、従来の行動的診断の代替としてスケーラブルで低コストに利用できるか？

主な発見

• モデルはテストセットで94.6%の分類正確性を達成した。
• 顔の画像を単独で用いることで、自閉症児と神経発達が正常な児の間で効果的な区別が可能であった。
• モデルは未学習のデータに対しても強い汎化性能を示し、堅牢性が裏付けられた。
• 結果から、深層学習を用いた顔の分析が、自閉症の代替診断ツールとして実用的である可能性が示唆された。
• このアプローチは、顔貌に特徴的な顕著な形態を持つ他の疾患に対しても応用可能である可能性がある。