تشخیص اوتیسم با تجزیه و تحلیل تعامل اجتماعی شبیه سازی شده

تشخیص شرایط طیف اوتیسم چندین ساعت طول می‌کشد که توسط افراد حرفه‌ای آموزش ‌دیده انجام می‌شود؛ بنابراین، پرسشنامه‌های استاندارد به طور گسترده برای غربالگری سطح اول به کار می‌روند. با این حال، پرسشنامه ها به عنوان یک ابزار تشخیصی، به خود بازتابی اعتماد می کنند – که به طور معمول در افراد با وضعیت طیف اوتیسم دچار اختلال می شود. ما یک مکانیسم غربالگری جایگزین را توسعه می‌دهیم که در آن افراد در یک تعامل اجتماعی شبیه ‌سازی شده درگیر می‌شوند. در طول این تعامل، صدای افراد، تماس چشمی، و حالت چهره ردیابی می‌شوند، و ویژگی هایی استخراج می شوند که به عنوان ورودی برای یک مدل پیش بینی کننده عمل می کنند. ما در می‌یابیم که یک طبقه ‌بندی کننده جنگل – تصادفی بر روی این ویژگی‌ها می‌تواند شرایط طیف اوتیسم را به طور دقیق و عملکردی به طور مستقل از پرسشنامه ‌های تشخیصی تشخیص دهد. ما همچنین دریافتیم که یک مدل رگرسیون شدت شرایط را دقیق‌تر از روش گزینش مرجع تخمین می‌زند.

Diagnosing autism spectrum conditions takes several hours by well-trained practitioners; therefore, standardized questionnaires are widely used for first-level screening. Questionnaires as a diagnostic tool, however, rely on self-reflection—which is typically impaired in individuals with autism spectrum condition. We develop an alternative screening mechanism in which subjects engage in a simulated social interaction. During this interaction, the subjects’ voice, eye gaze, and facial expression are tracked, and features are extracted that serve as input to a predictive model. We find that a random-forest classifier on these features can detect autism spectrum condition accurately and functionally independently of diagnostic questionnaires. We also find that a regression model estimates the severity of the condition more accurately than the reference screening method.