基于预训练视觉-语言模型的自然化照护者-儿童互动中自闭症的自动筛查
Nat Commun2026-09-16DOI: 10.1038/s41467-026-77721-8同行评审
Deng R, Huang H, Lv S, Xing Y, Li Y, You C, Wu F, Deng H, Huang Z
查看论文原文 →摘要
早期自闭症筛查对及时干预至关重要，但受限于专家依赖、成本高昂的方案和可及性。本文介绍了一种名为Autism-CLIP的视觉-语言模型，该模型可自动从3分钟的照护者-儿童自然互动视频中筛查自闭症。该模型在多中心评估中取得了高准确率，且无需手动编码或控制环境，为早期自闭症筛查提供了一种可扩展且低成本的解决方案。
六维深度分析
研究目标
开发一种从自然化照护者-儿童互动视频中自动筛查自闭症的视觉-语言模型，旨在提高可及性并减少对专家的依赖。
研究方法
Autism-CLIP模型集成了对比学习、大型语言模型生成的监督、特定领域架构和混合训练。该模型在3分钟的照护者-儿童自然互动视频上进行了训练，并在内部和外部队列的多中心研究中进行了评估。
数据与样本
该模型在多中心研究中进行了评估，包括103名内部队列个体和102名外部队列个体，年龄均为15-24个月。
实验结果
Autism-CLIP在内部队列中实现了0.903的AUC，在外部队列中实现了0.873的AUC，优于传统的机器学习方法。注意力映射突出了眼神回避和有限的社会互动作为临床相关指标。
优势与创新
Autism-CLIP提供了一种可扩展、低成本的早期自闭症筛查方法，只需智能手机捕获的视频，无需手动编码或控制环境。它有可能提高可及性并优先考虑临床资源。
局限与展望
该研究受限于小样本量和对自然视频数据的依赖，这可能无法完全代表自闭症病例的多样性。需要进一步研究以验证该模型在不同人群和情境下的性能。
关键词
autism screeningvision-language modelcaregiver-child interactioncontrastive learninglarge language modelattention mapping