15. Ứng dụng trí tuệ nhân tạo trong sàng lọc sớm tự kỷ - tiến bộ và thách thức
DOI:
https://doi.org/10.61591/jslhu.21.451Từ khóa:
Sàng lọc trẻ tự kỷ, Sàng lọc dùng học máy, Sàng lọc dùng hình ảnh, Autism Screening, Screening Autism using imageTóm tắt
Vấn đề sàng lọc sớm trẻ tự kỷ đang là vấn đề khó khăn của không chỉ Việt nam và còn của nhiều nước trên thế giới, đặc biệt là ở những nước chưa có sự phát triển của hệ thống y tế đủ mạnh. Trong những năm gần đây với sự phát triển của công nghệ thông tin đã có nhiều nghiên cứu ở thế giới về ứng dụng trí tuệ nhân tạo (AI - viết tắt của Artificial Intelligence, là lĩnh vực khoa học máy tính tập trung vào việc phát triển các hệ thống và thuật toán để thực hiện những nhiệm vụ đòi hỏi trí tuệ mà con người thường thực hiện) trong hỗ trợ sàng lọc sớm. Báo cáo này khái quát kết quả nghiên cứu của thế giới đã được công bố về ứng dụng trí tuệ nhân tạo trong sàng lọc sớm trẻ tự kỷ nhằm cung cấp một góc nhìn tham chiếu với phương pháp sàng lọc hiện tại ở Việt nam.
Tài liệu tham khảo
Li, B. et al. A facial affect analysis system for autism spectrum disorder. In Proc. IEEE International Conference on Image Processing (ICIP). 4549–4553 (2019)
Shukla, P et al. A Deep Learning frame-work for recognizing developmental disorders. In Proc. IEEE Winter Conference on Applications of Computer Vision (WACV). 705–714 (2017)
Leo M, et al. Computational analysis of deep visual data for quantifying facial expression production. Appl. Sci. 2019;9:4542.
DOI: doi: 10.3390/app9214542.
Han, J. et al. Affective computing of children with autism based on feature transfer In Proc. 5th IEEE International Conference on Cloud Computing and Intelligence Systems (CCIS). 845–849 (2018)
Murias M, et al. Validation of eye-tracking measures of social attention as a potential biomarker for autism clinical trials. Autism Res. 2018;11:166–174.
DOI: doi: 10.1002/aur.1894
Chawarska K, Macari S, Shic F. Decreased spontaneous attention to social scenes in 6-month-old infants later diagnosed with autism spectrum disorders. Biol. Psychiatry. 2013;74:195–203.
DOI: doi: 10.1016/j.biopsych.2012.11.022
Durrleman S, et al. Toward a comprehensive framework for the spatiotemporal statistical analysis of longitudinal shape data. Int. J. Comput. Vis. 2013;103:22–59.
DOI: doi: 10.1007/s11263-012-0592-x
Ahmadi, S et al. Connectivity abnormalities in autism spectrum disorder patients: a resting state fMRI study. In Proc.
nd Iranian Conference on Electrical Engineering (ICEE). 1878–1882 (2014)
Marjane Khodatars et al. Deep learning for neuroimaging-based diagnosis and rehabilitation of Autism Spectrum Disorder: A review. In Computers in Biology and Medicine
Chen, S. & Zhao, Q. Attention-based autism spectrum disorder screening with privileged modality. In Proc. IEEE/CVF International Conference on Computer Vision (ICCV). 1181–1190 (2019)
Vyas, K. et al. Recognition of atypical behavior in autism diagnosis from video using pose estimation over time. In Proc. IEEE 29th International Workshop on Machine Learning for Signal Processing (MLSP). 1-6 (2019).
Jiang, M. & Zhao, Q. Learning visual attention to identify people with autism spectrum disorder. In Proc. IEEE International Conference on Computer Vision (ICCV). 3287–3296 (2017).
Jonathan T. Megerian, et al, Evaluation of an artificial intelligence-based medical device for diagnosis of autism spectrum disorder. In npj Digital Medicine
Trần Văn thành và cộng sự. Một kỹ thuật sàng lọc trẻ tự kỷ dựa trên đặc trưng khuôn mặt. Hội nghị Fair. (2023)
Goldstein, S., & Ozonoff, S. (Eds.). (2018). Assessment of autism spectrum disorder. Guilford Publications
World Health Organization. (15 November 2023). Autism. World Health Organization. https://www.who.int/news-room/fact-sheets/detail/autism-spectrum-disorders
Centers for Disease Control and Prevention (2023). Data and Statistics on Autism Spectrum Disorder, CDC, https://www.cdc.gov/autism/data-research/
