[发明专利]一种基于机器学习的孤独症谱系障碍早期识别方法

说明书

本发明提供了一种基于机器学习的孤独症谱系障碍早期识别方法，属于医学诊断技术领域，包括：选择发育障碍性儿童的行为评估量表构建数据集，所述数据集中包含发育性语言障碍DLD样本、全面发育迟缓GDD样本和孤独症谱系障碍ASD样本；对数据集内的样本进行预处理，通过设置权重处理不平衡数据；基于分类模型XGBoost构建两阶段决策模型TS‑DM；将待测样本输入TS‑DM模型，通过TS‑DM模型分别对发育性语言障碍DLD和孤独症谱系障碍ASD、全面发育迟缓GDD进行识别。本发明提高发育量表的辅助决策能力，用可解释性模型为临床医生提供鉴别诊断思路，以利于早期识别ASD等发育障碍性疾病。

技术领域

本发明属于医学诊断技术领域，具体涉及一种基于机器学习的孤独症谱系障碍早期识别方法。

背景技术

孤独症谱系障碍(Autism Spectrum Disorder,ASD)是一类以社会交流障碍、重复刻板行为、狭隘兴趣为特征的神经发育障碍性疾病。在儿童低龄阶段，大多数ASD以“语言问题”就诊，而发育性语言障碍(Developmental language disorder,DLD)、全面发育迟缓(Global developmental delay,GDD)同样以语言落后为主要表现，这三种疾病症状的重叠、发育水平的异质性等容易造成医生的识别困难，如何从发育性语言障碍DLD和全面发育迟缓GDD中识别孤独症谱系障碍ASD更是一项难题。

由于目前这三种疾病都没有明确的客观生物标志物，诊断的确立主要依靠病史、行为观察、量表评估综合判断。医生的专业背景、临床经验、接诊病人时间的长短等都会影响诊断的准确率。无论在中国还是其他发展中国家，甚至发达地区，儿童精神科医生和发育行为儿科医生严重不足，并且在国内，基层医院很少有条件使用信效度高的孤独症诊断评估工具，仅仅使用家长报告的筛查量表来辅助诊断。而早期识别对于孤独症等发育障碍性疾病来说非常重要，通过早期识别、干预可以改善其发育轨迹、改善其预后。

如何在临床实践中及早使用准确、经济、方便、快捷的方法进行孤独症谱系障碍ASD识别辅助决策成为需要解决的重要问题。目前机器学习在辅助医生诊断、缓解漏诊误诊、提高诊断效率、弥补资源供需缺口等方面的作用逐渐显现。已有不少学者进行着ASD相关的机器学习研究，利用不同的筛选和诊断工具，包括孤独症诊断观察量ADOS、社交反应量表SRS、改良婴幼儿自闭症筛查量表M-CHAT和孤独症行为量表ABC。然而，大多数已建立的机器学习模型都是为了区分ASD儿童和正常儿童，缺乏区别ASD和其他神经发育障碍的模型。而且目前用于ASD机器学习的大多数模型如支持向量机SVM、人工神经网络ANN等都是黑箱模型，其分类的过程是不可知的，因此临床解释性较差，其能提供的可借鉴的临床知识有限。

发明内容

为了克服上述现有技术存在的不足，本发明提供了一种基于机器学习的孤独症谱系障碍早期识别方法。

为了实现上述目的，本发明提供如下技术方案：

一种基于机器学习的孤独症谱系障碍早期识别方法，以下步骤：

选择发育障碍性儿童的行为评估量表及人口学信息构建数据集，所述数据集中包含发育性语言障碍DLD样本、全面发育迟缓GDD样本和孤独症谱系障碍ASD样本；

对数据集内的样本进行预处理，通过设置权重处理不平衡数据；

基于分类模型XGBoost构建两阶段决策模型TS-DM；

将待测样本输入TS-DM模型，通过TS-DM模型分别对发育性语言障碍 DLD和孤独症谱系障碍ASD、全面发育迟缓GDD进行识别；

所述基于分类模型XGBoost构建两阶段决策模型TS-DM的过程包括：