一种用于智能诊断自闭症谱系障碍的对比重建视觉变换器模型

《npj Digital Medicine》：A contrastive reconstruction vision transformer model for intelligent diagnosis of autism spectrum disorder

摘要

通过分析自闭症患者的面部表情来进行自动化评估，有助于早期筛查，为及时干预提供有力支持，并促进患者的健康发展。然而，当前的深度学习模型在自闭症谱系障碍（ASD）的智能诊断实际应用中仍面临若干挑战。首先，传统模型难以完全捕捉到面部表情的细微变化和局部细节特征。其次，现有模型主要依赖手动标注的面部表情图像进行监督训练，常常忽视了未标注的面部表情数据。因此，在本研究中，我们借助医疗物联网技术，提出了一种名为对比重建视觉变换器（CREViT）的模型，用于ASD的智能诊断。CREViT模型的设计理念融合了对比学习、自编码器和视觉变换器（ViT）的技术。其核心优势在于结合了ViT和自编码器，使模型能够更准确地捕捉面部表情图像中的细微变化，并学习到更丰富、更高质量的图像表示。此外，通过利用对比学习，CREViT模型有效减少了了对标注数据的依赖，同时充分利用了未标注数据，从而提升了模型的泛化能力。我们在真实的自闭症谱系障碍面部表情数据集上进行了全面实验，结果表明，CREViT模型在ASD智能诊断方面表现优异，显著提高了预测准确性和模型的泛化能力。