An explainable deep learning framework for screening level autism severity using behavioural data

doi:10.1007/s42452-026-08352-3

2026-03-04

Vijayalaxmi N. Rathod *

R. H. Goudar

Sangeeta Sangani *

DOI：10.1007/s42452-026-08352-3

原文链接

查看原文

摘要

En 中文

自闭症谱系障碍（ASD）是一种复杂的神经发育状况，其特征是异质性行为表现，这些表现随年龄组和严重程度分层而变化。虽然基于问卷的筛查工具能够实现大规模ASD识别，但由于缺乏明确的临床医生标注严重程度标签，以及许多现有方法依赖碎片化或多阶段流程，可靠地进行严重程度分层仍然具有挑战性。为解决这一差距，本研究提出了一种统一的BiLSTM–CGBO框架，用于在受控行为标注范式下进行筛查级ASD识别和有序严重程度分层。该提议的架构整合了双向长短期记忆网络（BiLSTM），作为高容量表示学习器用于建模行为属性之间的非线性交互，以及混沌灰色球优化器（CGBO），其自适应地调节学习动态以增强数值稳定性和收敛性。该框架在来自Kaggle和UCI仓库的标准化ASD筛查数据集上进行评估，这些数据集包含2154名参与者，涵盖四个发育队列：幼儿、儿童、青少年和成人。实验结果表明，模型在各年龄组中均表现出持续的高分类准确率和AUROC值，反映了模型在逼近确定性行为严重程度评分函数方面的有效性，而非独立的临床诊断性能。比较分析表明，在相同的预处理和验证协议下，所提出的框架相较于传统机器学习和深度学习基线（包括SVM、CNN和标准LSTM）实现了稳定的改进。使用SHapley加性解释（SHAP）对模型可解释性进行了检验，其阐明了行为属性如何在学习的评分结构中被利用，而无需断言因果或诊断归因。总体而言，所提出的BiLSTM–CGBO框架建立了一种透明、可复现且计算高效的方法，用于筛查级自闭症严重程度建模，为未来使用独立的临床医生标注数据和多模态扩展进行验证提供了坚实基础。

Keyword:

Autism severity classification

Behavioral screening data analysis

BiLSTM-CGBO framework

Explainable AI