[论文解读] 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 25

一句话总结

本研究提出一种深度学习模型，仅使用面部图像即可以94.6%的准确率将儿童分类为自闭症或神经发育正常。该模型利用MobileNet进行特征提取，并通过两层全连接层进行分类，基于3,014张平衡的图像进行训练，表明仅通过视觉数据即可有效实现自闭症诊断，为行为评估提供了一种低成本、可扩展的替代方案。

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.

研究动机与目标

• 开发一种仅使用面部图像的低成本、高效自闭症诊断方法。
• 弥合面部分析与深度学习，以提升自闭症分类性能。
• 评估自闭症儿童中独特的面部特征是否能通过机器学习可靠地预测诊断结果。
• 证明仅基于图像的自闭症检测在无需行为评估的情况下具有可行性。

提出的方法

• 该模型采用MobileNet作为特征提取器，处理面部图像。
• 在特征提取阶段之后添加两层全连接的密集层用于分类。
• 数据集包含3,014张图像，自闭症与神经发育正常儿童的图像数量相等。
• 90%的数据用于训练，10%用于测试，以评估模型性能。
• 使用标准深度学习优化技术对模型进行端到端训练。
• 通过测试集上的分类准确率评估诊断性能。

实验结果

研究问题

• RQ1 仅使用面部特征是否能够准确地将儿童分类为自闭症或神经发育正常？
• RQ2 使用MobileNet和密集层的深度学习模型在从面部图像检测自闭症方面有多高效？
• RQ3 该模型是否能在有限且平衡的面部图像数据集上实现高准确率？
• RQ4 该方法是否可作为传统行为诊断的可扩展、低成本替代方案？

主要发现

• 该模型在测试集上实现了94.6%的分类准确率。
• 仅使用面部图像即可有效区分自闭症与神经发育正常儿童。
• 该模型在未见数据上表现出良好的泛化能力，表明其具有鲁棒性。
• 结果表明，结合深度学习的面部分析可作为自闭症诊断的可行工具。
• 该方法可能可扩展至其他具有明显面部表型的疾病。