autism
PulseAugur coverage of autism — every cluster mentioning autism across labs, papers, and developer communities, ranked by signal.
- 2026-05-22 research_milestone A research paper demonstrates the feasibility of predicting challenging behaviors associated with profound autism in a real-world classroom setting using wearable sensors and machine learning. 来源
3 天有情绪数据
-
新型IC-GNN模型利用个体化社群组织预测脑部疾病
研究人员开发了IC-GNN,这是一种新颖的、以图谱为锚定的模型,用于分析使用静息态功能磁共振成像(fMRI)数据的个体化大脑社群组织。该模型直接在预定义的大脑区域上形成独特的、个体化的功能社群,精炼社群引导的连接,并将共享权重适应于每个受试者的背景。IC-GNN在ABIDE、ADNI和UK Biobank等大型数据集上预测自闭症谱系障碍、阿尔茨海默病和重度抑郁症等疾病方面表现出优越性能,优于15种基线方法。该模型的个体化社群是可重复的…
-
Palantir 联合创始人支持为美国医学研究繁殖猴子
Palantir 的联合创始人 Joe Lonsdale 正在投资 Primate Products 公司,该公司专注于为生物医学研究繁殖 30,000 只猴子。该计划旨在建立美国国内的非人类灵长类动物供应,减少对进口(尤其是来自中国的进口)的依赖。这些猴子将用于研究阿尔茨海默病和帕金森病等疾病,以及自闭症,并获得美国国立卫生研究院等机构的资助支持。
-
新AI框架利用fMRI数据增强自闭症诊断
研究人员开发了CFBrainAug,一个利用功能性磁共振成像(fMRI)数据诊断自闭症谱系障碍(ASD)的新型框架。该方法通过生成反事实脑网络来解决当前机器学习方法中的过拟合和可解释性问题。通过在事实和改变后的网络上进行训练,CFBrainAug增强了决策边界,并使简单的支持向量机能够获得具有竞争力的性能,同时还为诊断提供了内在的解释。
-
NOMAD-EEG:小型扩散模型在各种设置下都能出色地进行脑电图分析
研究人员开发了NOMAD-EEG,这是一种新颖的 12.0 M 参数扩散模型,旨在独立于脑电图 (EEG) 的蒙太奇、通道数量和记录长度。该模型通过识别电极的 3D 头皮位置并对没有补丁的时间进行建模来采用独特的方法。尽管与其它基础模型相比规模较小,NOMAD-EEG 在包括运动想象、癫痫发作检测和癫痫诊断在内的各种数据集上表现出色,甚至优于更大的模型。
-
混合Mamba-Transformer模型推动3D重建和脑衰老分析进展
研究人员开发了两种新颖的混合深度学习模型,它们结合了Mamba和Transformer架构以用于不同应用。第一个是混合Mamba-Transformer网络,专为条纹图的单次3D重建而设计,在准确性和细节保留方面优于现有方法。第二个是BrainRotViT,它集成了Vision Transformer和ResNet,用于从3D sMRI进行可解释的脑年龄估计,展示了强大的跨队列泛化能力,并识别出与衰老和神经退行性疾病相关的关键大脑区域。
-
新AI模型利用多模态分析预测对话成功率
研究人员开发了一种通过分析多模态特征(包括发音、面部、声学韵律和轮流发言指标)来预测对话成功率的新方法。该方法旨在提高感知对话成功率的预测能力,这种成功率在自闭症个体与神经典型个体互动中常常会降低。通过结合这些互补的模态,研究表明对话成功是多维度的,需要一个多方面的分析框架,捕捉任何单一模态都无法获得的信息。
-
机器人利用大型语言模型为自闭症学生规划教育任务
研究人员开发了一种新颖的方法,使半自主机器人能够理解和规划教育任务的动作,特别关注用于自闭症谱系障碍(ASD)个体教育的“鞋盒任务”。该系统利用基于视觉的大型语言模型将这些任务的图像转换为规划领域定义语言(PDDL)表示,使Nao机器人能够自主执行任务。这种方法旨在为ASD学生增强学习机会,并培养对机器人技术的兴趣,由于该系统仅通过图像输入运行,因此教师无需编程专业知识。
-
功利主义与自闭症:探索伦理框架
本文探讨了功利主义与自闭症之间的复杂关系,借鉴了Walter Veit的研究。文章深入研究了不同的伦理框架,特别是功利主义,如何解释或与自闭症相关的经历和特征相互作用。讨论旨在为这些概念提供一个细致的视角。
-
视觉语言模型通过确定性证据层增强自闭症筛查
研究人员开发了一种使用视觉语言模型(VLM)对自然家庭视频进行自闭症谱系障碍(ASD)筛查的新方法。该方法通过冻结模型并实现确定性证据层来解决当前VLM预测的不稳定性。该层生成一个包含时间戳行为的事件表,校准置信度,并使用证据权重评分器对风险类别进行分层,从而实现透明、可复现的决策。该流程在家庭视频片段上实现了0.851的AUC和86.0%的准确率,与零样本基线相比,显著提高了标签的一致性。
-
网上分享的无关科技和医疗文章
此集群包含两篇不相关的文章。第一篇是来自剑桥大学出版社的PDF文章,讨论了ADHD、自闭症和复杂创伤之间的复杂关系。第二项是来自名为“dialta.adorellc.pro”的域名的“Delta WiFi Survival Guide”。这两项似乎都与人工智能无关。
-
AI模型针对自闭症听觉过敏研究进行微调
一项博士研究项目正在探索针对非典型听力人群的音频情感识别,特别是关注自闭症患者的听觉过敏。该方法通过在具有神经典型听众情感反应的数据集上使用低秩适配(LoRA)对对比语言-音频预训练(CLAP)模型进行微调。此方法旨在从有限的标注数据中泛化情感反应,以应对评估个体过敏性的挑战。
-
新框架利用多模态学习增强自闭症识别
研究人员开发了UniAR,一个旨在改进自闭症谱系障碍(ASD)识别的新型框架。该系统利用大型多模态模型生成分层诊断描述,解决了临床文本数据稀缺的问题。UniAR 包含一个基于专家混合的多尺度对齐模块,用于匹配视觉数据与语义表示。在脑部 MRI 和面部表情数据集上的实验表明,UniAR 的性能优于现有方法,实现了高准确率,并证明了其在 ASD 筛查中的鲁棒性和可解释性。
-
新型大语言模型ASDchat提供循证自闭症筛查及亚型分析
研究人员开发了ASDchat,这是一种用于自闭症谱系障碍(ASD)早期筛查的多模态大语言模型。该模型处理视频、音频和对话输入,以提供筛查概率和与ADOS-2等临床标准一致的可追溯行为证据。ASDchat在中国对一千多名参与者进行了训练,在区分ASD与典型发育方面表现出高精度,AUC达到0.953。该模型还识别出六种具有独特表型特征的ASD亚型,为每种亚型提供了定制干预的可能性。
-
AI模型利用步态分析在自闭症分类中达到99%的准确率
研究人员开发了一种注意力增强的Transformer模型,利用3D步态分析来分类自闭症谱系障碍(ASD)。该模型在公开的基于Kinect的数据集上达到了99.00%的高准确率,在独立的力量板数据集上达到了95.00%。与传统的临床评估相比,这种方法旨在为ASD的早期筛查提供一种更客观、更有效的方法。
-
自闭症与因可预防原因导致的预期寿命缩短13.8年相关
自闭症患者的预期寿命显著缩短,平均减少13.8年。这种寿命缩短归因于一系列可预防的健康问题,包括流感、溺水和营养不良,这凸显了干预和支持的关键领域。
-
新型AI模型AOI-Net通过眼动追踪增强自闭症检测
研究人员开发了AOI-Net,一个新颖的深度学习框架,旨在通过眼动追踪来改进自闭症谱系障碍(ASD)的检测。该方法明确地模拟了眼动运动的短期时间动态和面部语义兴趣区域(AOI)的结构组织。通过自适应地整合这些表示并采用对类别分布敏感的学习来处理不平衡数据集,AOI-Net在一个大型临床眼动追踪数据库上展示了优于现有方法的性能。
-
深度学习模型YOLOv26s在通过面部分析筛查自闭症方面显示出潜力
研究人员开发了一种深度学习模型YOLOv26s,利用面部图像筛查儿童的自闭症谱系障碍(ASD)。该模型在区分ASD儿童与典型发育儿童的图像分类任务中达到了92.86%的准确率和0.9291的F1分数。研究表明,像YOLOv26s这样的目标检测模型可以有效地重新用于分类任务,为早期ASD干预提供了一个潜在的工具。
-
机器学习技术综述用于自闭症诊断和治疗
最近发表在arXiv上的一篇系统综述,考察了机器学习技术在自闭症谱系障碍(ASD)诊断和治疗中的应用。该综述涵盖了2017年至2023年的55项研究,发现监督学习方法目前占主导地位,但深度学习在更大的数据集中的应用日益广泛。未来进展预计将来自结合无监督学习和模糊逻辑的混合方法,以及整合来自可穿戴技术和生物识别传感器的数据以进行持续监测。
-
AI框架通过舞蹈模仿分析识别自闭症生物标志物
研究人员开发了一个计算框架来分析自闭症的运动特征,利用舞蹈模仿数据。通过采用动态时间规整(Dynamic Time Warping)并引入社交情境敏感性指数(Social Context Sensitivity Index, SCSI),他们量化了运动一致性和社交框架调制。该方法以79.2%的准确率成功区分了自闭症和神经典型个体,发现神经典型成年人在社交情境下表现出更高的变异性,而自闭症成年人则保持一致性。这些发现强调了社交情境敏感性…
-
世卫组织总干事警告特朗普的疫苗政策变动缺乏科学依据
世界卫生组织总干事谭德塞对唐纳德·特朗普提出的疫苗政策改革草案表示担忧。谭德塞表示,这些变动,包括重新评估学校疫苗强制接种规定以及将麻腮风疫苗(MMR)拆分为单独的疫苗,均缺乏科学证据支持。他强调,疫苗接种政策应基于科学而非政治影响,并重申疫苗(包括麻腮风疫苗)是安全的,不会导致自闭症。