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
6 天有情绪数据
-
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。
-
基于fNIRS的自闭症分类的时间泛化基准测试
一篇新发表在arXiv上的研究论文探讨了使用功能性近红外光谱（fNIRS）进行自闭症谱系障碍（ASD）分类的挑战。该研究引入了一个跨时间窗口迁移基准，以解决因受试者之间最佳观察窗口变化导致的性能下降问题。研究结果表明，虽然零样本分类准确率较低，但进行最少的受试者特定微调可显著提高结果，突显了受试者间变异性是主要障碍。研究还证明了域对抗和自监督策略在无需目标受试者数据的情况下实现稳健分类的有效性，表明可以从短fNIRS窗口中提取相关信息。
-
新的联邦学习框架改进了跨站点的脑连接分析
研究人员开发了 FedDOSE，一个新颖的联邦学习框架，旨在改进跨多个站点的脑成像数据中动态功能连接的分析。该框架通过显式分解特定于站点的效应，解决了多站点数据固有的统计异质性挑战。FedDOSE 利用模块化引导的 Tucker 分解来处理高维动态功能连接张量，并采用最优传输和 Procrustes 分析来对齐特定类别的原型。在自闭症谱系障碍和注意力缺陷多动障碍数据集上的实验表明，FedDOSE 在检测方面的性能优于现有方法。
-
新框架使用信息论解释自闭症的坚持相同性 · 跟踪 2 个来源
研究人员提出了一个使用信息论来解释自闭症患者中观察到的坚持相同性行为的新框架。这种方法将此类行为视为减少惊讶和不确定性的普遍模式，将自闭症定义为认知功能仅限于环境辨别、记忆和预测的障碍。基于条件熵的拟议指标表明，最小化惊讶可以通过学习新刺激或限制对已知信息的接触来实现，而坚持相同性则与后者一致。该框架旨在量化焦虑和舒适区等概念，并可能通过类似图灵测试的方法为学习疗法和机器人护理的开发提供信息。
-
事实核查：小罗伯特·弗朗西斯·肯尼迪在CNN上发表科学不准确的言论
卫生与公众服务部部长小罗伯特·弗朗西斯·肯尼迪在接受CNN采访时，就COVID-19死亡率、儿童疫苗有效性以及疫苗与自闭症之间的联系发表了多项科学不准确的言论。Forbes的核查引用了约翰霍普金斯大学的数据以及发表在《发病率和死亡率周报》上的研究，反驳了肯尼迪的说法。该报告还讨论了他关于麻疹疫情的评论，指出虽然疫情中断影响了疫苗接种率，但疫苗犹豫和错误信息（可能被肯尼迪过去的言论放大）是重要的促成因素。
-
AI系统Digital Harf 增强了自闭症儿童的阿拉伯语言语治疗
研究人员开发了Digital Harf，一个多模态人工智能系统，旨在为阿拉伯语地区的自闭症谱系障碍儿童提供言语和语言治疗。该平台集成了三个治疗模块，并使用Agentic Synthetic Data Engine (ASDE) 生成具有文化相关性的图像和提示，以解决本地化数字治疗材料稀缺的问题。对13名言语治疗师的评估显示，AI生成内容的接受率为90.1%，突显了其文化和语言的契合度。
-
新假说模拟冯·埃克诺姆神经元以实现快速的社会决策
一项新的计算模型“快车道假说”提出，冯·埃克诺姆神经元（VENs）通过提供一个快速但不太精确的神经通路，促进了快速的社会决策。研究人员开发了一个尖峰皮层电路模型，该模型模拟了VENs和标准的锥体细胞，证明VENs能够以牺牲审慎处理的准确性为代价来实现更快的响应。该模型的研究结果与临床观察一致，表明在额颞叶痴呆中观察到的VENs耗竭会影响决策速度，而在自闭症谱系障碍中的改变则呈现出中间效应。
-
德克萨斯农工大学开发用于自闭症和痴呆症沟通的AI工具
德克萨斯农工大学的研究人员正在创建一个AI平台，旨在改善自闭症和痴呆症患者的沟通能力。该工具将学习独特的行为模式和沟通方式，以提供个性化支持。目标是为这些特定人群提供更有效的干预措施。
-
AI 框架优化自闭症面部情绪感知研究 · 跟踪 2 个来源
研究人员开发了一个由 AI 引导的框架，以改进自闭症患者的面部情绪感知研究。通过在参与者判断上训练人工神经网络模型，他们识别出了能突出自闭症成人和神经典型成人之间差异的特定面部表情。然后，利用这些模型选择和生成新的刺激，以最大化群体分离，从而在验证队列中产生更大的行为差异。这种方法通过超越固定的刺激集，为理解神经多样性感知提供了一种更优化的方法。