Action-based Early Autism Diagnosis Using Contrastive Feature Learning

要約

自閉症は、自閉症スペクトラム障害 (ASD) としても知られ、神経障害の 1 つです。
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、および厳格な/反復的な行動が含まれます。
これらの症状は健常者（対照）と区別できないことが多く、そのためこの障害は幼児期に診断されず、治療が遅れることになります。
幼少期の学習曲線は急勾配であるため、自閉症を早期に診断できれば、適切な時期に適切な介入が可能となり、自閉症児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、従来の自閉症診断方法では専門の精神科医を複数回受診する必要がありますが、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短いアクションのビデオクリップを使用して自閉症診断を自動化する学習ベースのアプローチを紹介します。
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 と対照) のサンプル間の変動が一般的に区別できないため、このタスクは特に困難です。
これは、ベースライン エンコーダに加えてクロス エントロピー損失を使用して学習され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特徴学習を採用し、これらがこのタスクにおけるバイナリ分類器の予測精度の大幅な向上につながる可能性があることを示します。
私たちは、公開されている 2 つのデータセットに対して異なる設定の下で徹底的な実験分析を行うことで、これをさらに検証します。

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