JAMA子刊：深度学习算法识别和量化自闭症儿童的刻板运动行为的准确性

刻板运动行为（Stereotypical Motor Movements, SMMs）是自闭症谱系障碍（ASD）核心症状之一，常表现为重复的、协调的、无目的的身体动作，如手拍打、身体摇晃等。这些行为影响学习和社交交流，因此对SMM的精确识别和量化对于评估自闭症严重程度和治疗效果尤为重要。传统的SMM量化方法依赖于父母报告或手工标注视频，费时费力，且主观性强。为解决这一难题，本研究旨在开发一种深度学习算法，自动识别自闭症儿童视频中的SMM行为，实现客观、快速、精准的量化。

本研究为回顾性队列研究，使用2017年至2021年在以色列Azrieli国家自闭症与神经发育研究中心采集的241名自闭症儿童的319段视频录像。每段视频时长约40分钟，总时长580小时。研究使用OpenPose算法提取每帧视频中的骨架信息，并结合目标检测算法识别视频中的儿童个体。随后，研究人员手动标注了7352段包含SMM的视频片段，并训练3D卷积神经网络识别SMM行为。数据分为训练集和测试集，其中220名儿童的数据用于训练，剩余21名儿童的数据用于测试算法性能。

在测试集中，算法能够准确识别92.53%的手动标注的SMM行为，精确率为66.82%。每位儿童的SMM数量和时长与手工标注结果高度相关（数量相关系数r=0.80；时长相关系数r=0.88，P<0.001）。此外，手动标注的SMM片段仅占所有视频的3.5%，进一步证明了自动算法在处理长视频中的稀有事件时的优势。本研究创建了迄今为止最大的自闭症儿童SMM数据集，并开发了免费开源的算法工具，便于学术界和临床研究者进一步应用和优化。

算法准确性

量化刻板运动（SMM）严重程度的准确性

本研究展示了一种基于深度学习的算法，能够精准、有效地识别和量化自闭症儿童的刻板运动行为，解决了传统手工标注的耗时和主观性问题。该算法显著提高了对自闭症核心症状的客观量化能力，为临床诊断和基础研究提供了重要工具。

原始出处：

Automated Analysis of Stereotypical Movements in Videos of Children With Autism Spectrum Disorder. JAMA Netw Open. 2024;7(9):e2432851. doi:10.1001/jamanetworkopen.2024.32851