编辑推荐：
自闭症谱系障碍（ASD）诊断困难，现有方法主观且依赖访谈观察。研究人员开展基于面部图像的 ASD 检测研究，提出新框架，可提高分类准确率，最高达 92.67%。该研究为 ASD 自动检测提供新工具，助力早期精准诊断。
在现代医学研究的广阔领域中，自闭症谱系障碍（Autism Spectrum Disorder，ASD）宛如一座难以攻克的堡垒，横亘在无数家庭和科研人员面前。ASD 影响着约 1% 的全球人口，这些患者往往在社会交往和沟通方面困难重重，还伴有重复或刻板行为。早期诊断对于 ASD 患者极为关键，因为早期干预能显著提升治疗效果，帮助患者更好地融入社会。然而，传统的诊断方法主要依赖专家的访谈和临床观察，如儿童自闭症评定量表（Childhood Autism Rating Scale，CARS）、自闭症诊断访谈修订版（Autism Diagnostic Interview - Revised，ADI - R）等，这些方法不仅耗时费力，还存在主观性强的问题，容易受到专家经验和判断的影响，导致诊断结果不够准确。
为了突破这一困境，来自巴西联邦大学圣保罗分校（Federal University of S?o Paulo，UNIFESP）、圣保罗州立大学（S?o Paulo State University，UNESP）等多个研究机构的研究人员携手开展了一项极具意义的研究。他们致力于开发一种基于面部图像的自动检测方法，旨在提高 ASD 诊断的准确性和效率。研究成果发表在《Scientific Reports》上，为该领域带来了新的曙光。
研究人员在此次研究中运用了多种关键技术方法。他们采用了深度迁移学习（Deep Transfer Learning）概念，利用预训练模型从面部图像中提取特征，避免了从头训练模型的高成本和高复杂性。同时，运用数据增强（Data Augmentation）技术，通过多种策略扩充训练样本数量，缓解数据稀缺问题；借助多滤波（Multi - filtering）和直方图均衡化（Histogram Equalization）技术，增强面部特征并减少图像噪声和光照变化的影响；还通过两步降维（Dimensionality Reduction）过程，在保留关键信息的同时降低特征向量维度，提升计算效率。此外，使用支持向量机（Support Vector Machine，SVM）作为分类器对提取的特征进行分类。实验数据来自 Piosenka 数据集，该数据集包含自闭症儿童和正常发育儿童的面部图像，被划分为训练集、验证集和测试集。
在研究结果部分，研究人员进行了全面且深入的分析。
- 消融研究：分析框架步骤：通过对比有无框架组件的实验，发现应用该框架后，大多数网络架构的性能在多个指标上得到提升。例如，在测试集中，AffectNet 网络的准确率绝对提高了 3.33%；在验证集中，ResNet - 50 网络的准确率显著提高了 8%。这充分表明，该框架能够有效增强模型对自闭症的识别能力。
- 使用多滤波和直方图均衡化：研究表明，基于对比度受限自适应直方图均衡化（CLAHE）的直方图均衡化和多滤波技术对模型分类性能有积极影响。以 ViTSwin 网络为例，在测试集中，从无框架组件时的 90.33% 准确率，到应用完整图像增强策略后的 92.67% 准确率，性能提升明显。这说明这些技术能为模型提供更具判别力的信息，有助于更准确地识别自闭症相关特征。
- 使用数据增强：数据增强在大多数情况下对模型有积极作用。在测试集中，除 ResNet - 50 外，其他网络架构使用数据增强后准确率均有所提高，如 ViTSwin 和 AffectNet 网络。但在验证集中，由于样本数量较少，数据增强可能导致模型过拟合，不过综合测试集结果，数据增强仍是框架的重要组成部分，有助于提升模型的泛化能力。
- 使用缩放函数：缩放函数 SCALE (?) 的使用改善了网络架构的指标值。在测试集和验证集中，多数网络采用某种缩放策略时，准确率高于不缩放的情况。例如，ViTSwin 网络在使用 MinMax 缩放时，达到了最高准确率，这表明缩放函数有助于更好地构建特征空间，提升模型性能。
- 使用降维：降维阶段有效减少了特征向量维度，同时保留了判别力。不同类型的模型在降维后的特征向量表现各异，如 CNN 模型和 Transformer 网络所需的向量维度不同。并且，部分模型的准确率与特征向量大小相关，如 ResNet - 50。此外，数据增强通常会使特征向量使用更多坐标，这表明降维过程能够在平衡模型复杂度和分类效果方面发挥重要作用。
在研究结论和讨论部分，该研究取得了显著成果。研究人员开发的框架通过多种技术的整合，有效提高了基于面部图像的 ASD 检测准确率，最高可达 92.67%。该框架中的各个组件，包括数据增强、图像增强、缩放函数和降维等，都对整体性能提升做出了积极贡献。与其他研究相比，该框架在多个指标上表现出色，尤其在识别真正的 ASD 病例方面具有优势，如召回率（Recall）较高。此外，研究人员还对框架进行了大量实验和分析，验证了其有效性和可靠性。
这项研究的意义重大。它为 ASD 的自动检测提供了一种高效且有前景的工具，有望改善传统基于深度学习的方法，辅助实现更早期、更准确的诊断。这不仅能够帮助医疗专业人员更高效地识别 ASD 患者，还能为患者家庭提供更及时的支持和干预，对提高 ASD 患者的生活质量和未来发展具有重要的推动作用。同时，研究人员表示未来将进一步探索更复杂的参数设置、采用更多预训练网络模型，并尝试将该框架应用于其他相关领域，为自闭症研究和诊断带来更多的可能性。
