Action-based Early Autism Diagnosis Using Contrastive Feature Learning

要約

自閉症スペクトラム障害 (または ASD) としても知られる自閉症は、神経障害です。
その主な症状には、（言語的および/または非言語的）コミュニケーションの困難、および硬直的/反復的な行動が含まれます。
これらの症状は、多くの場合、正常な (対照) 個体と区別がつかないため、この障害は幼児期に診断されないままであり、治療の遅れにつながります。
自閉症の初期の学習曲線は急勾配であるため、自閉症の早期診断により、適切な時期に適切な介入を行うことができ、自閉症の子供の成長にプラスの影響を与える可能性があります.
さらに、自閉症診断の従来の方法では、専門の精神科医に何度も通う必要がありますが、このプロセスには時間がかかる場合があります。
この論文では、被験者のシンプルで小さなアクション ビデオ クリップを使用して、自閉症診断を自動化するための学習ベースのアプローチを提示します。
このタスクは、利用可能な注釈付きデータの量が少なく、2 つのカテゴリ (ASD とコントロール) のサンプル間の変動が一般的に区別できないため、特に困難です。
これは、ベースライン エンコーダーに加えてクロス エントロピー損失を使用して学習したバイナリ分類器のパフォーマンスが低いことからも明らかです。
これに対処するために、自己教師あり学習フレームワークと教師あり学習フレームワークの両方で対照的な特徴学習を採用し、これらがこのタスクでのバイナリ分類器の予測精度の大幅な向上につながることを示します。
さらに、公開されている 2 つのデータセットでさまざまな設定の下で徹底的な実験分析を実施することにより、これを検証します。

要約(オリジナル)

Autism, also known as Autism Spectrum Disorder (or ASD), is a neurological disorder. Its main symptoms include difficulty in (verbal and/or non-verbal) communication, and rigid/repetitive behavior. These symptoms are often indistinguishable from a normal (control) individual, due to which this disorder remains undiagnosed in early childhood leading to delayed treatment. Since the learning curve is steep during the initial age, an early diagnosis of autism could allow to take adequate interventions at the right time, which might positively affect the growth of an autistic child. Further, the traditional methods of autism diagnosis require multiple visits to a specialized psychiatrist, however this process can be time-consuming. In this paper, we present a learning based approach to automate autism diagnosis using simple and small action video clips of subjects. This task is particularly challenging because the amount of annotated data available is small, and the variations among samples from the two categories (ASD and control) are generally indistinguishable. This is also evident from poor performance of a binary classifier learned using the cross-entropy loss on top of a baseline encoder. To address this, we adopt contrastive feature learning in both self supervised and supervised learning frameworks, and show that these can lead to a significant increase in the prediction accuracy of a binary classifier on this task. We further validate this by conducting thorough experimental analyses under different set-ups on two publicly available datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google