[論文レビュー] Screening Autism Spectrum Disorder in childrens using Deep Learning Approach : Evaluating the classification model of YOLOv8 by comparing with other models

Subash Gautam, Prabin Sharma+5 more|arXiv (Cornell University)|Jun 25, 2023

Autism Spectrum Disorder Research被引用数 4

ひとこと要約

本研究では、顔面画像を用いた自閉症スペクトラム症候群（ASD）の子供に対する深層学習ベースのスクリーニング手法を提案する。YOLOv8のオブジェクト検出モデルをバイナリ分類に適合させたもので、Kaggleのデータセットで訓練された。モデルは89.64%の正確性とF1スコア0.89を達成し、顔面特徴分析を用いた自動ASD検出の強力な可能性を示している。

ABSTRACT

Autism spectrum disorder (ASD) is a developmental condition that presents significant challenges in social interaction, communication, and behavior. Early intervention plays a pivotal role in enhancing cognitive abilities and reducing autistic symptoms in children with ASD. Numerous clinical studies have highlighted distinctive facial characteristics that distinguish ASD children from typically developing (TD) children. In this study, we propose a practical solution for ASD screening using facial images using YoloV8 model. By employing YoloV8, a deep learning technique, on a dataset of Kaggle, we achieved exceptional results. Our model achieved a remarkable 89.64% accuracy in classification and an F1-score of 0.89. Our findings provide support for the clinical observations regarding facial feature discrepancies between children with ASD. The high F1-score obtained demonstrates the potential of deep learning models in screening children with ASD. We conclude that the newest version of YoloV8 which is usually used for object detection can be used for classification problem of Austistic and Non-autistic images.

研究の動機と目的

• 子供の顔面画像分析を用いた実用的で自動化されたASDスクリーニングシステムの開発を目的とする。
• 元々オブジェクト検出を目的として設計されたYOLOv8が、ASDと通常発達している（TD）子供のバイナリ分類に適応されるかを評価すること。
• 公開の顔面画像データセットを用いて、YOLOv8の分類性能を他の深層学習モデルと比較すること。
• 機械学習を用いて、ASDの子供に特徴的な顔面特徴の臨床的観察を裏付けること。
• 深層学習を用いた早期で非侵襲的なASDスクリーニングの実現可能性を、臨床的およびコミュニティ環境で示すこと。

提案手法

• 本研究では、転移学習を用いてASDとTDの子供のバイナリ画像分類に適合させたYOLOv8モデルを採用する。
• ASDの子供と通常発達している子供の顔面画像から成るデータセットをKaggleから取得した。
• 標準的な深層学習指標（正確性、適合率、再現率、F1スコア）を用いてモデルを訓練および評価した。
• モデルの汎化能力を向上させ、過学習を軽減するためにデータ拡張技術を適用した。
• 他の深層学習モデルとの性能比較をベンチマークとして実施し、相対的有効性を評価した。
• YOLOv8のアーキテクチャを分類タスクに再利用するにあたり、特徴抽出能力を維持したまま最終分類ヘッドを変更した。

実験結果

リサーチクエスチョン

• RQ1 元々オブジェクト検出を目的として設計されたYOLOv8が、顔面画像からのASDとTDの子供のバイナリ分類に効果的に適応可能か？
• RQ2 YOLOv8の分類性能は、顔面特徴からのASD検出において他の深層学習モデルと比較してどうか？
• RQ3 モデルの予測結果は、ASDの子供に特徴的な顔面特徴の臨床的観察とどの程度一致するか？
• RQ4 顔面画像の深層学習を用いたASDスクリーニングにおいて、適合率と再現率の最適なバランスは何か？
• RQ5 YOLOv8のような軽量で高速な推論モデルは、リソースが限られた環境でもスケーラブルかつリアルタイムのASDスクリーニングを可能にするか？

主な発見

• YOLOv8ベースのモデルは、テストセットで89.64%の分類正確性を達成し、強力な予測性能を示した。
• モデルはF1スコア0.89を記録し、ASD症例の検出における適合率と再現率のバランスの良さを示した。
• 結果は、ASDの子供に特徴的な顔面特徴が通常発達している子供と比較して存在するという臨床的証拠を支持している。
• YOLOv8は、正確性およびF1スコアの両面で他の比較モデルを上回り、この分類タスクに適していることが示された。
• 高いF1スコアは、モデルがASDスクリーニングにおける偽陽性と偽陰性の両方を効果的に低減できることを示唆している。
• 本研究は、YOLOv8がオブジェクト検出を越えた医療画像分類タスクに成功裏に再利用可能であることを確認した。