[论文解读] 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 4

一句话总结

本研究提出了一种基于深度学习的自闭症谱系障碍（ASD）儿童筛查方法，利用YOLOv8目标检测模型进行二分类，通过面部图像实现。该模型在Kaggle数据集上进行训练，取得了89.64%的准确率和0.89的F1得分，显示出利用面部特征分析实现自动化ASD检测的强大潜力。

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.

研究动机与目标

• 开发一种实用的、基于面部图像分析的自闭症谱系障碍（ASD）儿童自动化筛查系统。
• 评估原本专为目标检测设计的YOLOv8模型，在适应为ASD与典型发育（TD）儿童二分类任务时的性能表现。
• 利用公开的面部图像数据集，将YOLOv8的分类性能与其他深度学习模型进行比较。
• 通过机器学习方法验证临床观察中ASD儿童面部特征的差异性。
• 证明利用深度学习在临床和社区环境中实现早期、非侵入性ASD筛查的可行性。

提出的方法

• 本研究采用YOLOv8模型，通过迁移学习对ASD和TD儿童的图像进行二分类微调。
• 面部图像数据集来自Kaggle，包含ASD儿童和典型发育儿童的图像。
• 使用标准深度学习指标（包括准确率、精确率、召回率和F1得分）对模型进行训练和评估。
• 应用数据增强技术以提升模型泛化能力并减少过拟合。
• 通过与其他深度学习模型的性能基准对比，评估其相对有效性。
• 通过修改最终分类头，同时保留其特征提取能力，将YOLOv8架构重新用于分类任务。

实验结果

研究问题

• RQ1 原本专为目标检测设计的YOLOv8能否有效适应为从面部图像中对ASD与TD儿童进行二分类？
• RQ2 YOLOv8在从面部特征检测ASD方面的分类性能与其他深度学习模型相比如何？
• RQ3 模型的预测结果在多大程度上与临床观察中ASD儿童面部特征差异一致？
• RQ4 在使用面部图像进行ASD筛查时，深度学习模型在精确率与召回率之间应如何实现最优平衡？
• RQ5 像YOLOv8这样轻量化、推理速度快的模型，是否能够在资源有限的环境中支持可扩展的实时ASD筛查？

主要发现

• 基于YOLOv8的模型在测试集上实现了89.64%的分类准确率，表明其具有出色的预测性能。
• 该模型的F1得分为0.89，反映出在检测ASD病例时精确率与召回率之间达到了良好的平衡。
• 研究结果支持临床证据中关于ASD儿童与典型发育儿童在面部特征上存在差异的观点。
• 在准确率和F1得分方面，YOLOv8均优于其他对比模型，证明其在该分类任务中的适用性。
• 较高的F1得分表明该模型在ASD筛查中能有效减少假阳性和假阴性。
• 本研究证实，YOLOv8可成功应用于目标检测之外的医学图像分类任务。