Аутизм причины его появления у детей: Аутизм у детей признаки, что это за болезнь, ее причины и лечение

Причины аутизма | СККСПБ №1

Каковы причины аутизма? 

Однозначного ответа на этот вопрос пока нет. Но есть различные гипотезы.

Поскольку расстройство имеет сложную структуру и различные симптомы, логично предположить, что и причин возникновения множество. По-прежнему ведутся активные дискуссии о происхождении аутизма и степени, в которой генетические факторы и факторы окружающей среды, а также их взаимодействие влияют на спектр и неоднородность когнитивных и поведенческих особенностей, наблюдаемых у детей с расстройствами аутистического спектра (РАС).

Елена Григоренко, д.псих.н, PHd, глава научно-экспертного совета фонда «Выход»: К возникновению РАС ведет огромное количество механизмов, в том числе генетических, но причины и условия их формирования еще только предстоит определить.

Дети с аутизмом чаще рождаются в неблагополучных семьях, где есть проблема наркомании, алкоголизма и т.п.? 

Нет, ребенок с аутизмом может родиться в любой семье, с любым социальным статусом и образом жизни.

Точные причины расстройств аутистического спектра (РАС) пока не обнаружены, однако в целом в науке доминирует представление о генетической природе РАС. Это значит, что образ жизни и привычки родителей не обусловливают формирование РАС у ребенка.

Тем не менее, здоровый образ жизни родителей может относиться к факторам, потенциально предотвращающим РАС.  Что касается алкоголя, то одно из последних исследований (C.Gallahger et al., 2018) не показало значимой связи между потреблением матерью алкоголя и риском РАС у ребенка. Более того, оказалось, что у детей матерей, принимавших алкоголь в незначительных дозах, риск РАС был ниже, чем у детей, матери которых не пили алкоголь вообще. Это согласуется с результатами предыдущих исследований связи риска РАС и потребления алкоголя матерью.

Элисон Б.Сингер, эпидемиолог, эколог, PHd, сотрудник Центра по исследованиям состояния окружающей среды Университета Северной Каролины:  Матери детей из генеральной популяции чаще сообщали о потреблении алкоголя во время беременности, чем матери детей с РАС. В период до зачатия и в первый месяц беременности употребление 1-2 напитков в неделю имело даже обратно пропорциональную связь с риском РАС у ребенка. Также не было значимой связи (позитивной или негативной) с потреблением 3+ напитков в неделю в тот же период времени. Хотя во втором месяце беременности потребление 3+ алкогольных напитков и давало повышенный риск развития РАС, эти оценки неточны. И даже эпизоды запоев в период до зачатия и в первом триместре не показали связи с РАС.

Аутизм – это «болезнь» детей богатых родителей? 

Нет, это миф.

Его корни уходят в первые описания аутизма, сделанные Лео Каннером. Дети, которых он описывал, были из зажиточных семей. В 1940-х годах деревенскому жителю или малообеспеченному человеку было непросто попасть на прием к психиатру, поэтому Каннер наблюдал только детей из обеспеченных семей. Это привело к смещению репрезентативности выборки и искаженным представлениям об аутизме, начиная с середины прошлого века и до его конца.

Сегодня мы понимаем, что уровень благосостояния семьи сам по себе не влияет на развитие расстройств аутистического спектра (РАС) у ребенка, хотя частота встречаемости действительно неодинакова в разных социально-экономических группах. Факторы, обусловливающие повышенную распространенность РАС у детей из семей с высоким социоэкономическим статусом, еще предстоит изучить. Одна из возможных причин – большее выявление РАС у детей из семей с высоким социальным статусом в силу большего доступа к услугам и специалистам.

Морин Деркин, эпидемиолог, профессор департамента здоровья населения в Висконсинском университете в Мэдисоне:  В нашем исследовании не утверждается, что дети из семей с более низким социо-экономическим статусом обязательно не получают необходимую диагностику и поддержку. Но мы обнаружили, что это очень вероятный сценарий.

Если вы подозреваете у своего ребенка расстройство аутистического спектра, обратитесь к психиатру за консультацией.

Материал подготовлен Ставропольской психиатрической больницей №1 на основе информации фонда «Выход»

 

Смотрите и читайте нас в соцсетях             

 

Иллюстрация к данной публикации взята из общедоступной библиотеки изображений https://www. freepik.com/  и из открытых источников.
Об использовании иллюстраций из библиотеки Freepik подробно можно прочесть здесь

Аутизм. Что такое, признаки возникновения и симптомы аутизма у детей.

Аутизм. Что такое, признаки возникновения и симптомы аутизма у детей.

Гимранов Ринат Фазылжанович
Невролог, нейрофизиолог,  стаж — 33 года;
Профессор неврологии, доктор медицинских наук;
Клиника восстановительной неврологии.Об авторе

Дата публикации: 14 января, 2020

Обновлено: 3 марта, 2023

Аутизм у детей – это заболевание, имеющее множество признаков и симптомов, причин для появления, проявления которого начинаются в самом раннем возрасте. Аутический синдром приводит к проблемам с адаптацией в социуме. Так как ребенок (потом – взрослый человек) воспринимает мир по-своему, не как обычные люди. Вдобавок, болезнь нередко приводит к проблемам с интеллектуальным развитием.

Разбираться, что такое аутизм, каковы причины его возникновения у детей, проявления, возможные последствия и способы лечения, становится нужно большому числу родителей.

Содержание статьи:

• 1 Причины возникновения
• 2 Основные признаки: как распознать ребенка-аутиста
  • 2.1 Особенности мышления
• 3 Диагностика
• 4 Лечение и коррекция

Причины возникновения

Установить причины возникновения детского аутизма, а значит – подобрать лечение для конкретного ребенка – сложно, считается, что его провоцируют сразу несколько факторов, влияющих на маленького пациента:

• Наследственная предрасположенность, которая может передаться от папы или мамы. При этом не обязательно, чтоб заболевание ранее проявлялось у кого-то в роду.

• Химическое отравление матери во время беременности.

• Поражение ЦНС плода различного типа. Аномалии в развитии и созревании головного мозга.

• Гормональные расстройства или нарушение обмена веществ в раннем возрасте.

• Постоянное использование антибактериальных препаратов.

• Перенесенное кислородное голодание во время дородового развития.

• Вирусные, бактериальные заболевания в первые месяцы жизни.

• Отравление солями тяжелых металлов, ртутью.

• Инфекционные заболевания матери, перенесенные в период вынашивания плода.

Простым языком объяснить конкретную причину возникновения болезни аутизма у детей сложно, так как затрагиваются высшие функции мозга.

Как правило, проблему вызывает комплекс из 3-5 влияющих на малыша явлений, приводящий в итоге к развитию патологии.

Почему у детей бывает врожденный аутизм, также установить сложно. Считается, что главное провоцирующее значение имеет генетическая предрасположенность. Активируют ее, переводят в явную клиническую картину, патология вынашивания и проблемы в раннем детстве.

Иногда даже ожирение и проблемы с обменом веществ у мамы, негативно сказываются на вынашиваемом плоде.

Основные признаки: как распознать ребенка-аутиста

Легкая степень аутизма у ребят проявляется в раннем возрасте, первые признаки можно заметить в 1,5-2 года, к 5-6 или 7-8 годам они становятся очевидными.

Уже сложнее поддаются коррекции.

Установить точный диагноз способен только врач, но родители могут заподозрить детский аутизм по внешности и поведению ребенка-аутиста, симптомы и аутические черты влияют на то, как он выглядит и общается с окружающим миром:

• Предпочитает одиночество. Плохо контактирует со сверстниками. Не проявляет инициативу к общению, избегает его, когда другие пробуют сделать первый шаг.

• При разговоре со взрослыми не смотрит в глаза, не фокусирует на собеседнике внимание. Отводит взгляд в стороны, отвлекается.

• Не любит прикосновений, нервничает, устраивает истерики. Особенно, если потрогать его пытается кто-то малознакомый.

• Неразговорчив, даже если умеет внятно выражать мысли, старается обходиться без этого. Иногда возникают трудности с тем, чтобы понятно объяснить свои желания.

• Регулярно устраивает истерики без видимых к этому поводов.

• Чувствителен к определенным звукам, резкой смене освещения.

• Может быть как излишне пассивен, так и склонен к гиперактивности.

• Придерживается ритуала – повторение одного и того же действия по кругу, боязнь всего нового.

• Не способен определить степень опасности ситуации. Даже после объяснений со стороны взрослых, способен создать опасную для жизни ситуацию. Например, выйти на дорогу, не обращая внимания на машины или играть с ножом, спичками, оголенными проводами.

Объяснить простыми словами, кто такие дети-аутисты не получится. Они не имеют прямой патологии мозга, грубых неврологических расстройств.

Особенности мышления

Мальчики и девочки аутисты асоциальны, мало обращают внимания на окружающий мир. Будто отделяют себя от него стеной и не собираются ее разрушать. Это отражается на особенностях восприятия мира.

Такие детки могут спутать живое и не живое. Не всегда осознают человека или животного как единое целое, воспринимают их как набор отдельных элементов.

Или проявлением другого отклонения. В любом случае, при подозрении, чтобы разобраться кто такие дети-аутисты и как определить, а затем лечить аутизм у них, необходимо обратиться к специалистам.

Интеллектуальное развитие – показатель, проявляющийся позже. Ребята с аутическим синдромом могут демонстрировать потрясающие успехи в узкой области и при этом сильно отставать в других.

В школе, как правило, имеют невысокие оценки. Так как из-за особенностей работы мозга, им тяжело сфокусироваться на материале, запомнить новое.

Диагностика

Чтобы распознать синдром аутизма у детей, нужно определить признаки, как он проявляется.

Для этого симптомы должны затрагивать три основные сферы:

1. Сложности во взаимодействии с социумом;
2. Коммуникативные проблемы;
3. Стереотипное поведение, постоянное зацикленное повторение одного действия или слова.

Определить, что у малыша аутическое расстройство, непросто и врачам. Так как родители при разговоре и опросе не рассказывают о своеобразном поведении совсем маленьких детей, считая его нормальным или не придавая им значения. А педиатр, не наблюдая ребенка в естественной среде, может не заметить настораживающих симптомов.

Усугубляется проблема дефицитом осведомленности. Мало кто из молодых родителей знает, что такое аутизм, отчего он возникает у детей, и как это заболевание выявить.

При подозрении, малыша отправляют на комплексное обследование. Оценке подвергается не только физическое, но и психологическое состояние.

Проводят:

• УЗИ головного мозга или Эхо-ЭГ, чтобы исключить наличие опухолей;

• осмотр отоларинголога, чтобы не спутать аутистическое расстройство с тугоухостью;

• сбор информации, опираясь на рекомендованные международными медицинскими организациями анкеты-опросники.

Наиболее значимая часть диагностики – работа психолога с малышом и с родителями. Отвечая на продуманные вопросы, мама и папа, сами того не подозревая, объясняют врачу, от чего возник болеющий синдромом аутизма ребенок. И узнают, какую следует проводить с ним дальнейшую работу.

Лечение и коррекция

Аутизм – понятие, отражающее особенности работы мозга, вылечить которые нельзя, но как безнадежную патологию, воспринимать не стоит.

Многие люди с таким отклонением социализируются и нормально живут, отличаясь от остальных большей закрытостью.

Основная часть работы по коррекции ложится на родителей, ближайшее окружение ребенка. Социализировать малыша поможет ежедневная работа с ним.

Действенные методы:

• Работа с психологом и специалистами-коррекционщиками. Посещать занятия должны не только дети с диагнозом «аутист», но и их родители, которым придется во многом пересмотреть свое общение с малышом.

• Обучение в специализированных детских учреждениях, начиная с детского сада.

• Постоянное повторение определенных необходимых операций, так как ребенок запоминает хуже сверстников.

• Формирование четкого, не нарушаемого распорядка дня.

• Создание неизменной среды вокруг. В привычном пространстве не должно меняться ничего. Даже игрушка, переставленная на другую полку, способна надолго вывести из равновесия.

• Выработка специфического типа обращения, который позволит привлекать внимание ребенка, но при этом не пугать его.

Повышать голос запрещается категорически!

Медикаментозное лечение назначается только в случае, когда аутический синдром развивается параллельно с другими заболеваниями. Например – эпилепсией у детей, для устранения ее симптомов.

Еще один повод – серьезные отклонения в поведении, склонность к агрессии и чрезмерной гиперактивности. Тогда применяют успокоительные, транквилизаторы.

Лечить аутизм, в принципе, можно. Это означает – скорректировать поведение и мышление ребенка, приблизить их к социальным нормам. При постоянной работе над проблемой на протяжении лет – вполне достижимая задача.

Была ли эта статья полезна?

Вы можете подписаться на нашу рассылку и узнать много интересного о лечение заболевания, научных достижений и инновационных решений:

Ваш e-mail

Согласен (-на)с политикой конфиденциальности и обработки персональных данных
Please leave this field empty.

Приносим извинения!

Как можно улучшить эту статью?

Please leave this field empty.

Более подробную информацию, возможно уточнить у врачей-неврологов, на нашем форуме!Перейти На Форум

Подробнее о аутизме Подробнее о детях

Если у вас остались вопросы, задайте их врачам на нашем форуме!

Перейти на форум

ДОБАВИТЬ/ПОСМОТРЕТЬ КОММЕНТАРИИ

Гимранов Ринат Фазылжанович

Записаться к специалисту

×

Глубокое обучение для диагностики аутизма и анализа лица у детей

Введение

Мотивация

Аутизм в первую очередь является генетическим заболеванием, хотя существуют некоторые факторы окружающей среды, которые вызывают проблемы с социальными навыками, повторяющимся поведением, речью и невербальной коммуникацией (Александр и др., 2007). В 2018 году Центры по контролю и профилактике заболеваний (CDC) заявили, что примерно у 1 из 59 детей будет диагностирована та или иная форма аутизма. Поскольку существует так много форм аутизма, технически это называется расстройством аутистического спектра (РАС) (Austimspeaks, 2019).). Диагноз РАС может быть поставлен ребенку уже в возрасте 18 месяцев. Интересно, что, хотя РАС считается генетическим заболеванием, его в основном диагностируют по поведенческим признакам: «способы, которыми дети с диагнозом РАС думают, учатся и решают проблемы, могут варьироваться от высококвалифицированных до серьезных проблем». Раннее обнаружение и диагностика имеют решающее значение для любого пациента с РАС, поскольку это может значительно помочь им в лечении расстройства.

Мы считаем, что распознавание лиц — лучший из возможных способов диагностики пациента из-за их отличительных признаков. Ученые из Университета Миссури обнаружили, что дети с диагнозом аутизм имеют общие черты лица, отличающиеся от детей, у которых это заболевание не диагностировано (Aldridge et al., 2011; CBS News, 2017). Исследование показало, что у детей с аутизмом необычно широкая верхняя часть лица, в том числе широко расставленные глаза. У них также более короткая средняя часть лица, включая щеки и нос. На рис. 1 показаны некоторые из этих различий. Из-за этого проведение бинарной классификации распознавания лиц на изображениях детей с аутизмом и детей, помеченных как здоровые, может позволить нам диагностировать заболевание раньше и дешевле.

Рисунок 1 . На (слева) — ребенок с аутизмом, а на (справа) — ребенок без аутизма, чтобы сравнить некоторые черты лица.

Data

В этой работе мы использовали набор данных, найденный на Kaggle, который состоит из более чем трех тысяч изображений детей с аутизмом и без него. Этот набор данных несколько необычен, поскольку у издателя был доступ только к веб-сайтам, чтобы собрать все изображения. При загрузке данные предоставляются двумя способами: разделены на данные для обучения, тестирования и проверки или консолидированы. Если мы решим создать собственную модель машинного обучения, нам будет полезно предоставленное разделение на подгруппы обучения, тестирования и проверки. Компонент проверки будет важен для определения качества модели, которую мы используем, что означает, что нам не нужно строго полагаться на точность модели для определения ее качества. Подкатегории обучения, тестирования и проверки дополнительно разделены на аутичные и неаутичные папки. Группа обучения аутистов состоит из 1327 изображений изображений лиц, а каталог обучения неаутистов состоит из такого же количества изображений. Каталоги тестирования аутистов и неаутистов содержат по 140 изображений, всего 280 изображений. Наконец, в категории валидации всего 80 изображений: 40 лиц без аутизма и 40 с аутизмом. Если мы можем использовать уже доступную модель, то лучше всего использовать консолидированные изображения, потому что это позволит нам контролировать количество, используемое для обучения и тестирования (Gerry, 2020).

Современное состояние

Было проведено несколько исследований с использованием нейронных сетей для анализа лица, поведения и речи (Eni et al., 2020; Liang et al. , 2021). Большинство этих исследований были сосредоточены на определении возраста и пола рассматриваемого лица (Iga et al., 2003). Кроме того, было проведено несколько исследований, посвященных классификации аутизма с использованием методов визуализации мозга. В нашей работе мы использовали методы, доступные для анализа лица, и применили их к классификации аутизма.

Анализ лица

Вен-Бинг Хорнг и его коллеги (Horng et al., 2001) работали над классификацией изображений лиц в одну из четырех категорий: младенцы, молодые люди, взрослые среднего возраста и пожилые люди. В их исследовании для классификации использовались две нейронные сети с обратным распространением. Первый фокусируется на геометрических особенностях, а второй — на особенностях морщин. В их исследовании был достигнут уровень идентификации 90,52% для обучающих изображений и 81,58% для тестовых изображений, что, как они отметили, похоже на субъективное обоснование человека для того же набора изображений. Одной из проблем, отмеченных исследователями, которая, вероятно, способствовала их кажущимся низким показателям успеха по сравнению с другими классификационными исследованиями, был тот факт, что возрастные границы для различных уровней «взрослых» обычно не имеют жесткого деления, а для ради учебы это необходимо. Например, исследователи установили границу между молодыми и средними взрослыми в возрасте 39 лет.лет (≤ 39 для молодых, >39 для средних). Это создает проблемы, когда люди находятся прямо на границе двух возрастных групп. Чтобы предотвратить подобные проблемы с нашим экспериментом, мы решили просто классифицировать изображения как «аутичные» и «неаутичные», а не пытаться дополнительно классифицировать уровни аутизма.

В исследовании Shan (2012) исследователи использовали локальные двоичные шаблоны (LBP) для описания лиц. Благодаря применению машины опорных векторов (SVM) они смогли достичь 94,81% успеха в определении пола субъекта. Главным прорывом этого исследования стала возможность использовать в своей классификации только реальные изображения. До этого момента во многих проверенных исследованиях использовались идеальные изображения, большинство из которых были фронтальными, без окклюзии, с чистым фоном, постоянным освещением и ограниченным выражением лица. Как и в этом исследовании, наши изображения лиц получены из реальной среды, а набор данных был создан органично.

Классификация аутизма

Исследование, проведенное El-Baz et al. (2007) сосредоточились на анализе изображений белого вещества головного мозга (CWM) у людей с аутизмом, чтобы определить, может ли быть достигнута классификация на основе только анализа изображений мозга. CWM сначала сегментируется из МРТ протонной плотности, а затем извлекается и количественно оценивается gyrification CWM. В этом подходе использовалась кумулятивная функция распределения карты расстояний гирификации CWM, чтобы различать два класса: аутичных и нормальных. Хотя это исследование дало успешные результаты, изображения были сделаны только у умерших людей, поэтому его успешность в классификации живых людей до сих пор неизвестна. Предлагаемая нами система классификации может достичь аналогичного уровня точности (94,64%), при этом использовалось значительно больше субъектов и требовалось только изображение человека, а не интенсивное, дорогостоящее сканирование мозга и последующий подробный анализ.

MobileNet

Существует множество различных сверточных нейронных сетей (CNN), доступных для анализа изображений (Hosseini, 2018; Hosseini et al., 2020b). Некоторые из наиболее известных моделей включают GoogleNet, VGG-16, SqueezeNet и AlexNet. Каждая из этих различных моделей предлагает различные преимущества, но MobileNet доказал свою эффективность, значительно сокращая время и затраты на вычисления. MobileNet показала, что уменьшение толщины и ширины их моделей привело к одинаковой точности при значительном сокращении количества множественных дополнений и параметров, необходимых для анализа (таблицы 1–3).

Таблица 1 . Сепарабельность по глубине против полной свертки MobileNet (Jeatrakul and Wong, 2009; Howard et al., 2017).

По сравнению с ранее упомянутыми моделями MobileNet оказалась столь же точной, но при этом значительно уменьшила вычислительную мощность, необходимую для запуска модели (таблицы 2, 3). Используя эти знания, мы решили, что MobileNet является достаточной моделью для нашего анализа.

Таблица 2 . Узкий и неглубокий MobileNet и множитель ширины MobileNet (Джитракул и Вонг, 2009 г.).; Ховард и др., 2017; Хоссейни и др., 2020а).

Таблица 3 . Разрешение MobileNet и сравнение MobileNet с популярными моделями.

Методы

В предыдущих исследованиях у детей с аутизмом было обнаружено необычно широкое лицо и широко посаженные глаза. Щеки и нос у них также короче (Aldridge et al., 2011). В этом исследовании глубокое обучение использовалось для обучения и изучения аутизма на основе анализа лица детей на основе особенностей, которые отличают их от других детей.

Наш набор данных был получен от Kaggle и состоит из 3014 изображений лица детей. Из этих изображений 1507 изображений предположительно имеют аутизм, а остальные 1507 предположительно здоровы. На рис. 2 показан пример изображений, использованных для этапа обучения. Изображения были получены в Интернете, как через группы Facebook, так и через поиск изображений Google. Независимых исследований, чтобы определить, действительно ли человек на снимке здоров или страдает аутизмом, не проводилось. После того, как все изображения были собраны, они были впоследствии обрезаны так, чтобы лица занимали большую часть изображения. Перед обучением изображения были разделены на три категории: обучение, проверка и тест (таблица 4). Изображения, которые были помещены в каждую категорию, должны быть помещены туда вручную. Следовательно, повторный запуск алгоритма, как правило, дает одинаковые результаты, при условии, что нейронная сеть получает одинаковые веса. Также стоит отметить, что в настоящее время глобальный набор данных имеет несколько повторений, некоторые из которых являются общими для наборов данных для обучения, тестирования и проверки (Faris et al., 2016; Hosseini et al., 2017). Поэтому важно, чтобы эти дубликаты были удалены из наборов данных перед запуском алгоритма. В этом тематическом исследовании дубликаты еще не удалены, что, вероятно, повышает общую точность.

Рисунок 2 . Некоторые изображения, используемые на этапе обучения глубокому обучению. (Вверху) Дети с аутизмом. (Внизу) Дети без аутизма.

Таблица 4 . Разбивка набора данных.

Глубокое обучение подразделяется на три подкатегории: CNN, предварительно обученные неконтролируемые сети и рекуррентные и рекурсивные сети (Hosseini et al., 2016b). Для этого набора данных мы решили использовать модель CNN. CNN может принимать изображение, присваивать важность различным объектам на изображении, а затем отличать объекты на изображении друг от друга. Кроме того, CNN выгодны тем, что предварительная обработка минимальна по сравнению с другими методами. В этом случае входными данными являются множество изображений из набора данных, чтобы получить выходную переменную: аутичный или неаутичный. При просмотре CNN можно применять различные методы: LeNet, GoogLeNet, AlexNet, VGGNet, ResNet и так далее. При попытке решить, какую CNN использовать, важно учитывать, какие данные используются, и размер применяемых данных. В этом случае MobileNet используется из-за набора данных: MobileNet может вычислять выходные данные намного быстрее, поскольку это может уменьшить объем вычислений и размер модели.

Для выполнения глубокого изучения набора данных использовалась сеть MobileNet, за которой следуют два плотных слоя, как показано на рис. 3. Первый слой предназначен для распределения и позволяет настраивать веса для ввода во второй плотный слой. Таким образом, второй плотный слой позволяет проводить классификацию. Архитектуру MobileNet можно просмотреть в таблице 5.

Рисунок 3 . Алгоритм архитектуры предлагаемой модели, иллюстрирующий использование MobileNet, сопровождаемый двумя плотными слоями для выполнения распознавания изображений. MobileNet использует CNN, чтобы предсказать форму присутствующего объекта и то, что соответствует ему на изображениях.

Таблица 5 . Архитектура тела разработанной MobileNet (Howard et al., 2017) для распознавания изображений аутизма.

Для нашей MobileNet использовались альфа-канал, равный 1, и множитель глубины, равный 1, поэтому мы используем самую базовую версию MobileNet. Чтобы делать бинарные прогнозы из MobileNet, в конец модели добавляются два полносвязных слоя. Первый представляет собой плотный слой со 128 нейронами (регуляризация L2 = 0,015, активация ReLu), который затем подключается к слою прогнозирования, который имеет только два выхода (активация softmax). К первому слою применяется отсев 0,4, чтобы предотвратить переоснащение. Конечным результатом является бинарная классификация «аутистов» и «неаутистов».

Алгоритм запускался на ноутбуке ASUS (район Бейтоу, Тайбэй, Тайвань) с процессором Intel Core i7-6700HQ с тактовой частотой 2,60 ГГц и 12 ГБ ОЗУ. Данные были разбиты на пакеты по 80 штук. По завершении обучения и начального тестирования пользователь может запросить дополнительные эпохи обучения.

Результаты

Обучение было завершено примерно через 15 эпох, что дало точность теста 94,64%. На рис. 4 показано, как изменились потери обучающей и тестовой выборки при постоянном добавлении одной эпохи за раз. На рис. 5 показано, как изменилась точность (Hosseini et al., 2016a) для данных обучения, проверки и тестирования при постоянном добавлении одной эпохи.

Рисунок 4 . Добавляя по одной эпохе за раз, этот рисунок показывает, как меняются потери.

Рисунок 5 . С добавлением одной эпохи этот рисунок показывает, как изменилась точность данных обучения, проверки и тестирования.

Во время обучения веса, дающие проверочному набору максимальную точность, всегда сохранялись. Следовательно, если бы точность снизилась во время обучающего набора, то на тестовом наборе не было бы конечной потери точности (рис. 1, 2). Точно так же, если точность на проверочном наборе уменьшится, скорость обучения также уменьшится во время следующего сеанса обучения. Каждая эпоха требовала ~ 10 минут для запуска.

Эти предварительные результаты очень многообещающие. В настоящее время существует множество проблем с используемым набором данных, включая дубликаты изображений, неправильный возрастной диапазон и отсутствие проверки состояния людей на каждой фотографии. Улучшение набора данных может привести к лучшим результатам.

Заключение

Несмотря на то, что статистические данные о количестве детей, у которых диагностирован аутизм, несколько занижены, крайне важно поставить диагноз как можно раньше, чтобы обеспечить правильный уход за пациентом. Кроме того, статистика по диагностированным детям может быть низкой, потому что метод точной диагностики ребенка несколько неэффективен. Таким образом, наш классификатор может оказаться очень полезным для диагностики большего количества детей. Наши результаты показывают, что мы успешно достигли высокой точности 94,64%, что означает, что он смог правильно определить ребенка с аутизмом или без него примерно в 95% случаев. Для повышения точности очистка набора данных, безусловно, поможет. Дубликаты могут ложно увеличить точность нашего теста, если изображение также находится в категории обучения. Имея больше информации о людях на фотографиях, мы также могли бы убедиться, что распределение по возрасту между двумя популяциями одинаково. В настоящее время аутизм редко диагностируется у маленьких детей, поэтому мы также хотели бы убедиться, что в нашем наборе данных нет фотографий маленьких детей. Точно так же мы могли бы гарантировать, что каждая категория является «чистой», предотвращая ложные срабатывания и ложноотрицательные результаты. С этими улучшениями мы надеемся получить точность >95%.

Успех этого алгоритма может также означать, что другие заболевания можно диагностировать, используя только изображение, что экономит драгоценное время и ресурсы при диагностике других заболеваний и состояний. Синдром Дауна, например, является еще одним заболеванием, которое заметно изменяет черты лица тех, кого оно поражает. Возможно, что при наличии достаточных и надежных данных наш алгоритм мог бы различать людей с заболеванием и людей без него.

Заявление о доступности данных

В этом исследовании были проанализированы общедоступные наборы данных. Эти данные можно найти по адресу: https://www.kaggle.com/cihan063/autism-image-data.

Вклад автора

M-PH определил и возглавил проект, а также определил модель и структуры. Над моделью работали MB, AH и RM. HS-Z вычитал и организовал исследование для публикации. Все авторы одобрили окончательный вариант рукописи для представления.

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Примечание издателя

Все претензии, изложенные в этой статье, принадлежат исключительно авторам и не обязательно представляют претензии их дочерних организаций или издателя, редакторов и рецензентов. Любой продукт, который может быть оценен в этой статье, или претензии, которые могут быть сделаны его производителем, не гарантируются и не поддерживаются издателем.

Ссылки

Aldridge, K., George, I. D., Cole, K.K., Austin, J.R., Takahashi, T.N., Duan, Y., et al. (2011). Лицевые фенотипы в подгруппах мальчиков препубертатного возраста с расстройствами аутистического спектра коррелируют с клиническими фенотипами. Мол. Аутизм 2, 1–12. doi: 10.1186/2040-2392-2-15

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Александр А. Л., Ли Дж. Э., Лазар М., Будос Р., Дубрей М. Б., Оукс Т. Р. и др. (2007). Диффузионно-тензорная визуализация мозолистого тела при аутизме. Нейроизображение 34, 61–73. doi: 10.1016/j.neuroimage.2006.08.032

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Austimspeaks (2019). Что такое аутизм? Austimspeaks . Доступно в Интернете по адресу: https://www.autismspeaks.org/what-autism (по состоянию на 11 марта 2020 г.).

Новости CBS (2017). Это аутизм? Черты лица, указывающие на расстройство. Новости CBS . Доступно в Интернете по адресу: https://www.cbsnews. com/pictures/is-it-autism-facial-features-that-show-disorder/8/ (по состоянию на 12 марта 2020 г.).

Эль-Баз, А., Казанова, М.Ф., Гимельфарб, Г., Мотт, М., и Свитвала, А.Е. (2007). «Новый подход к анализу изображений для автоматической классификации аутичного мозга», в 2007 г. 4-й Международный симпозиум IEEE по биомедицинской визуализации: от нано до макро (Арлингтон, Вирджиния: IEEE), 352–355. doi: 10.1109/ISBI.2007.356861

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Эни М., Динштейн И., Илан М., Менаше И., Мейри Г. и Зигель Ю. (2020). Оценка тяжести аутизма у детей раннего возраста по речевым сигналам с использованием глубокой нейронной сети. Доступ IEEE 8, 139489–139500. doi: 10.1109/ACCESS.2020.3012532

PubMed Abstract | Полный текст перекрестной ссылки | Академия Google

Фарис, Х., Алджара, И., и Мирджалили, С. (2016). Обучение нейронных сетей с прямой связью с использованием многомерного оптимизатора для задач бинарной классификации. Заяв. Интел. 45, 322–332. doi: 10.1007/s10489-016-0767-1

CrossRef Полный текст | Google Scholar

Джерри (2020). Набор данных о детях-аутистах . Каггль.

Horng, W.B., Lee, C.P., and Chen, C.W. (2001). Классификация возрастных групп по чертам лица. Тамканский институт. Технол. 4, 183–192. doi: 10.6180/jase.2001.4.3.05

Полный текст CrossRef | Google Scholar

Хоссейни, член парламента (2018). Интерфейс мозг-компьютер для анализа эпилептических больших данных. (докторская диссертация), Нью-Брансуик, Нью-Джерси: Школа последипломного образования Университета Рутгерса.

Google Scholar

Хоссейни М. П., Хоссейни А. и Ахи К. (2020a). Обзор машинного обучения для обработки сигналов ЭЭГ в биоинженерии. IEEE Ред. Биомед. англ. 14, 204–218. дои: 10.1109/RBME.2020.2969915

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Хоссейни М.П., ​​Лу С., Камарадж К., Словиковски А. и Венкатеш Х.К. (2020b). «Архитектуры глубокого обучения», в Deep Learning: Concepts and Architectures (Cham: Springer), 1–24. doi: 10.1007/978-3-030-31756-0_1

CrossRef Полный текст | Google Scholar

Хоссейни М.П., ​​Назем-Заде М.Р., Помпили Д., Джафари-Хузани К., Елисевич К. и Солтанян-Заде Х. (2016a). Сравнительная оценка эффективности автоматизированных методов сегментации гиппокампа по магнитно-резонансным изображениям пациентов с височной эпилепсией. Мед. физ. 43, 538–553. doi: 10.1118/1.4938411

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Хоссейни М.П., ​​Помпили Д., Елисевич К. и Солтанян-Заде Х. (2017). Оптимизированное глубокое обучение для больших данных ЭЭГ и предсказания припадков BCI через Интернет вещей. IEEE Trans. Большие данные 3, 392–404. doi: 10.1109/TBDATA.2017.2769670

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Хоссейни М. П., Солтанян-Заде Х. , Елисевич К. и Помпили Д. (2016b). «Облачное глубокое изучение больших данных ЭЭГ для прогнозирования эпилептических припадков», в Глобальная конференция IEEE по обработке сигналов и информации (GlobalSIP), 2016 г. (Вашингтон, округ Колумбия: IEEE), 1151–1155. doi: 10.1109/GlobalSIP.2016.7906022

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Ховард А. Г., Чжу М., Чен Б., Калениченко Д., Ван В., Вейанд Т. и др. (2017). Mobilenets: эффективные сверточные нейронные сети для приложений мобильного зрения. arXiv [препринт] arXiv:1704.04861.

Google Scholar

Ига Р., Изуми К., Хаяши Х., Фукано Г. и Отани Т. (2003). «Система оценки пола и возраста по изображениям лиц», в Ежегодная конференция SICE 2003 (№ по каталогу IEEE 03TH8734), Vol. 1 (Фукуи: IEEE), 756–761.

Google Scholar

Джеатракул П. и Вонг К.В. (2009). «Сравнение производительности различных нейронных сетей для задач бинарной классификации», , Восьмой международный симпозиум по обработке естественного языка, 2009 г. , (Бангкок: IEEE), 111–115. doi: 10.1109/SNLP.2009.5340935

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Лян С., Сабри А.К.М., Альнаджар Ф. и Лоо С.К. (2021). Классификация самостимулирующего поведения в спектре аутизма с использованием объяснимых глубоких признаков временной когерентности и классификатора SVM. Доступ IEEE 9, 34264–34275. doi: 10.1109/ACCESS.2021.3061455

CrossRef Полный текст | Google Scholar

Шан, К. (2012). Изучение локальных бинарных паттернов для гендерной классификации на реальных изображениях лиц. Пат. Распознать лат. 33, 431–437. doi: 10.1016/j.patrec.2011.05.016

CrossRef Полный текст | Google Scholar

Клинические исследования: черты лица могут помочь в диагностике аутизма | Spectrum

Физические признаки : Дети с аутизмом чаще имеют необычные черты лица, такие как выступающий лоб, чем дети из контрольной группы.

Рекламный ролик Кэтрин Фоллс / Getty Images

ЭТОЙ СТАТЬЕ БОЛЕЕ ПЯТИ ЛЕТ

Этой статье более пяти лет. Исследования аутизма — и наука в целом — постоянно развиваются, поэтому старые статьи могут содержать информацию или теории, которые подверглись переоценке с момента их первоначальной публикации.

Согласно исследованию, опубликованному в0129 Журнал аутизма и нарушений развития ¹ .

Люди с аутизмом часто имеют ряд необычных физических характеристик, называемых дисморфологиями, таких как широко расставленные глаза или широкие лбы. Дисморфические признаки могут характеризовать подгруппу людей с аутизмом, имеющим четкую генетическую причину.

Более точная картина картины дисморфических признаков при аутизме могла бы стать основой для инструмента скрининга расстройства.

В исследовании 2011 года исследователи сравнили физические особенности 224 детей с аутизмом с 224 детьми из контрольной группы, которые были подобраны попарно по возрасту и полу. Они обнаружили 48 особенностей, таких как глубоко посаженные глаза, невыразительное лицо и тонкая верхняя губа, которые чаще встречаются у детей с аутизмом, чем у контрольной группы.

Затем они классифицировали различные функции в зависимости от серьезности. «Обычные варианты», такие как выступающие уши, присутствуют более чем у четырех процентов населения в целом, тогда как «незначительные» аномалии встречаются реже. Исследователи также выявили две «основные» аномалии — «вид с открытым ртом» и «безэмоциональные лица» — которые представляют собой серьезные дисморфологии, вызванные аномальным развитием 9.0257 2 .

В новом исследовании та же команда повторно проанализировала эти данные, чтобы определить, может ли подмножество этих признаков помочь предсказать, есть ли у ребенка аутизм. В среднем дети с аутизмом имеют 1,3 больших аномалии, 10,6 малых и 8,3 общих вариации, тогда как в контрольной группе их 0,3, 5,7 и 3,2 соответственно.

Использование шести или более распространенных вариантов в качестве порога для диагностики аутизма позволило точно диагностировать 88 процентов детей с аутизмом и неправильно классифицировать только 22 процента контрольной группы.