机器学习技术用于自闭症诊断与治疗的系统性综述：挑战与机遇

arXiv cs.LG 论文
machine-learning autism-spectrum-disorder systematic-review healthcare ai-in-medicine

摘要

本文系统回顾了55项关于机器学习在自闭症谱系障碍中的应用研究，聚焦于诊断与治疗的挑战和机遇。

arXiv:2608.18188v1 公告类型：新 摘要：自闭症谱系障碍（ASD）是一种以社交互动和沟通挑战为特征的发育障碍。由于ASD的病因仍不明确，识别相关特征和隐藏关联对于早期诊断至关重要。本系统综述评估了2017年至2023年关于机器学习（ML）技术应用于ASD的55项研究。主要目标是考察近期ML在ASD研究中的应用，识别增强诊断和治疗的趋势、技术和数据集。监督学习方法占主导地位，因为它们与ASD诊断需求高度契合；然而，随着数据可用性的增加，深度学习的作用正在扩展。基于混合方法的新兴技术，如无监督学习、深度学习和模糊逻辑，未来将值得观察。综述强调了关键挑战和机遇，特别是需要能够整合复杂数据（如遗传和临床信息）的模型，以提高诊断准确性和治疗结果。此外，整合创新数据源，如可穿戴设备和生物特征传感器，可以实现连续和非侵入性监测，提供对ASD更全面的理解。研究结果强调，应对当前挑战需要跨学科合作和针对ASD扩展数据集。未来的ML模型将受益于更广泛的多模态数据整合，使研究人员能够更全面地应对ASD的复杂性。
查看原文
查看缓存全文

缓存时间: 2026/08/20 10:22 

# 机器学习技术应用于自闭症诊疗的系统性综述：挑战与机遇  
来源：https://arxiv.org/abs/2608.18188  
查看PDF（https://arxiv.org/pdf/2608.18188）

> **摘要**：自闭症谱系障碍（ASD）是一种以社交互动与沟通障碍为特征的发育性疾病。由于ASD的病因尚未明确，识别关键特征与潜在关联对早期诊断至关重要。本系统性综述评估了2017年至2023年间55项关于机器学习（ML）技术应用于ASD的研究，旨在审视ML在ASD研究中的最新应用趋势、技术方法与数据集，以推动诊断与治疗水平的提升。监督学习方法因与ASD诊断需求高度契合而占据主导地位，但随着数据可用性增加，深度学习的作用日益凸显。基于混合方法的新兴技术（融合无监督学习、深度学习和模糊逻辑）的未来发展值得期待。综述重点探讨了当前面临的挑战与机遇，尤其强调了整合复杂数据（如遗传与临床信息）以提升诊断准确性和治疗效果的模型需求。此外，引入可穿戴设备和生物特征传感器等创新数据源，可实现持续非侵入式监测，从而更全面地理解ASD。研究指出，应对当前挑战需跨学科协作与定制化的ASD数据集扩展。未来的机器学习模型将受益于更广泛的多模态数据整合，使研究者能更全面地应对ASD的复杂性。

## 提交历史  
作者：Jesús Peral [查看邮件 (https://arxiv.org/show-email/3f8306e4/2608.18188)] **[版本1]** 2026年8月18日 星期二 11:27:05 UTC（2,720 KB）

相似文章

ASD-Bench：用于自闭症谱系障碍的 AI 模型四维综合基准测试

arXiv cs.LG

本文介绍了 ASD-Bench，这是一个全面的基准测试，从预测性能、校准度、可解释性和鲁棒性四个维度评估用于自闭症谱系障碍（ASD）筛查的 AI 模型。该研究使用 AQ-10 数据分析了不同年龄组的多种模型，强调了在临床 AI 应用中采用多指标评估的重要性。