論文の概要: ASD-Bench: A Four-Axis Comprehensive Benchmark of AI Models for Autism Spectrum Disorder

• arxiv url: http://arxiv.org/abs/2605.11091v1
• Date: Mon, 11 May 2026 18:01:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.342468
• Title: ASD-Bench: A Four-Axis Comprehensive Benchmark of AI Models for Autism Spectrum Disorder
• Title（参考訳）: ASD-Bench:自閉症スペクトラム障害のためのAIモデルの4軸総合ベンチマーク
• Abstract要約: ASD-Benchは、ML、ディープラーニング、基礎モデルの構成を3つの年齢コホートで評価する体系的なベンチマークである。 4,068 AQ-10レコードのキュレートされたv3データセットに適用する。 成人分類では,10/17モデルでF1とAUCを達成し,青年期ではF1天井0.837対0.915)が困難である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated ASD screening tools remain limited by single-architecture evaluations, axis-restricted assessment, and near-exclusive focus on adult cohorts, obscuring age-specific diagnostic patterns critical for early intervention. We introduce ASD-Bench, a systematic tabular benchmark evaluating ML, deep learning, and foundation model configurations across three age cohorts (children 1-11 yr, adolescents 12-16 yr, adults 17-64 yr) on four axes: predictive performance, calibration, interpretability, and adversarial robustness. Applied to a curated v3 dataset of 4,068 AQ-10 records, our benchmark spans classical models (XGBoost, AdaBoost, Random Forest, Logistic Regression), neural networks (MLP), deep tabular transformers (TabNet, TabTransformer, FT-Transformer), and TabPFN v2. We introduce the Heuristic Aggregate Penalty (HAP): a cost-sensitive metric penalising false negatives more heavily and incorporating cross-validation variance for deployment stability. Adult classification yields high performance (10/17 models achieve perfect F1 and AUC), while adolescents present a harder task (F1 ceiling 0.837 vs. 0.915 for children). Feature hierarchies shift across cohorts: A9 (social motivation) dominates for children, A5 (pattern recognition) leads for adolescents, and adults exhibit a flatter importance profile consistent with developmental social masking. Accuracy and calibration are dissociated: AdaBoost achieves F1=1.000 on adults with ECE=0.302, confirming single-metric evaluation is insufficient for clinical AI. Cohort-specific deployment recommendations are provided. All findings should be interpreted as proof-of-concept evidence on questionnaire-derived labels rather than clinically validated diagnostic performance.
• Abstract（参考訳）: 自動ASDスクリーニングツールは、単一アーキテクチャ評価、軸制限評価、成人コホートへのほぼ排他的焦点、早期介入に不可欠な年齢特異的診断パターンによって制限されている。 ASD-Benchは,3つの年齢コホート(小児1-11 yr,青年12-16 yr,成人17-64 yr)を対象に,予測性能,キャリブレーション,解釈可能性,対人ロバスト性を示す。 4,068 AQ-10レコードのキュレートされたv3データセットに適用すると、我々のベンチマークは古典的なモデル(XGBoost、AdaBoost、ランダムフォレスト、ロジスティック回帰)、ニューラルネットワーク(MLP)、ディープタブ状変換器(TabNet、TabTransformer、FT-Transformer)、TabPFN v2にまたがる。 Heuristic Aggregate Penalty (HAP)は、偽陰性をより重く分析し、デプロイの安定性にクロスバリデーションのばらつきを取り入れた、コストに敏感なメトリクスである。 成人分類では,10/17モデルでF1とAUCが完璧に達成され,青年期ではF1天井0.837対0.915)が困難であった。 A9(社会的モチベーション)は子供に、A5(パターン認識)は青年に、そして成人は発達的な社会的マスキングと一致するよりフラットな重要性のプロファイルを示す。 AdaBoostはECE=0.302の成人でF1=1.000を達成し、臨床AIではシングルメトリック評価が不十分であることを確認した。 コホート固有のデプロイメントレコメンデーションが提供される。 これらの知見は, 臨床的に検証された診断成績ではなく, アンケート由来のラベルに関する概念実証として解釈されるべきである。

関連論文リスト

• A multimodal large language model for evidence-based autism spectrum disorder screening [43.813514045885704]
  ASDchatはエビデンスベースの自閉症スクリーニングのために設計された大きな言語モデルである。 このモデルは、中国の27のサイトから1,035人の参加者のデータセットでトレーニングされ、評価された。
  論文  参考訳（メタデータ） (2026-09-15T00:34:21Z)
• TestifAI: Tomography-Based Testing for Deep Learning Systems [42.86570387250456]
  TestifAIは、摂動の組み合わせに対する堅牢性を効率的かつ正確に推定するためのフレームワークである。 少数の摂動のみを適用したテストから多摂動空間におけるモデル挙動を再構成する。 低次 (1 と 2 の摂動) 観測から高次 (3 と 4 の摂動) テスト結果を予測することができ、集合的強靭性推定誤差は 7% 未満である。
  論文  参考訳（メタデータ） (2026-08-19T13:25:50Z)
• Automating Learner Assessment: Benchmarking Machine Learning and Deep Learning Models for EEG-Based Familiarity Prediction [0.0]
  本研究では,脳波による親しみ度予測のための機械学習(ML)モデルとディープラーニング(DL)モデルをベンチマークする。 標準層化クロスバリデーションは, 隣接するエポック間の時間的リークによる人工的に高い分類性能(最大0.9853 F1スコア)を示すが, 厳密な試行独立検証(Group K-Fold)により, ピーク性能は0.6038 F1スコアに低下する(CNNを使用)。 このことは、モデル一般化可能性の過大評価を避けるために、試行非依存評価の重要な必要性を強調している。
  論文  参考訳（メタデータ） (2026-08-17T13:15:45Z)
• Simultaneous hyperkinetic movement disorders phenotyping: a cross-cohort pediatric transfer study using routine videos, markerless pose estimation and a tabular foundation model [0.0]
  このフレームワークは、マーカーレスポーズ推定、キネマティック記述子、事前訓練された愛着モデルを組み合わせる。 結果: 決定層の局所的校正後, 維持中の小児患者に対して, 常に改善が認められた。
  論文  参考訳（メタデータ） (2026-06-04T18:13:13Z)
• An Interpretable Vision Transformer as a Fingerprint-Based Diagnostic Aid for Kabuki and Wiedemann-Steiner Syndromes [1.9656376732415815]
  歌舞伎症候群(KS)とヴィーデマン・ステナー症候群(WSS)は稀だが発達障害である。 KSまたはWSSを持つ多くの人は、遺伝子検査と専門知識の両方にアクセスできないため、未診断のままである。 造血器系異常は、いくつかの遺伝症候群の徴候が確立されているにもかかわらず、未使用の診断信号として残されている。
  論文  参考訳（メタデータ） (2026-02-06T00:41:15Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Generating Natural-Language Surgical Feedback: From Structured Representation to Domain-Grounded Evaluation [66.7752700084159]
  外科的トレーナーからの高品質なフィードバックは,訓練者のパフォーマンス向上と長期的スキル獲得に不可欠である。 本稿では,実際の訓練者-訓練者間の文書から外科的行動オントロジーを学習する構造対応パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-11-19T06:19:34Z)
• From Prototypes to Sparse ECG Explanations: SHAP-Driven Counterfactuals for Multivariate Time-Series Multi-class Classification [8.113866195465976]
  本稿では,12リードのECG分類モデルに適合したスパース対実的説明を生成するためのプロトタイプ駆動型フレームワークを提案する。 本手法では、SHAPに基づくしきい値を用いて、臨界信号セグメントを特定し、インターバルルールに変換する。 提案手法の3つの変種であるOriginal, Sparse, Aligned Sparseを評価し,MIの98.9%の妥当性からハイドロフィ(HYP)検出の課題まで,クラス固有の性能について検討した。
  論文  参考訳（メタデータ） (2025-10-22T12:09:50Z)
• Cross-dataset Multivariate Time-series Model for Parkinson's Diagnosis via Keyboard Dynamics [1.4895002251586484]
  パーキンソン病(PD)は世界的な課題となり、1000万人以上の人に影響を与えている。 本稿では,キーストロークダイナミックスを非侵襲的かつスケーラブルなバイオマーカーとして活用し,遠隔PDスクリーニングと遠隔監視を実現するパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-10-10T17:42:08Z)
• Honest and Reliable Evaluation and Expert Equivalence Testing of Automated Neonatal Seizure Detection [1.4624458429745086]
  現在のプラクティスは、一貫性のない、バイアスのあるメトリクスに依存します。 AIパフォーマンスに関するエキスパートレベルの主張は、厳格な検証なしに頻繁に行われる。 本研究は、新生児発作検出の具体的な課題に合わせたベストプラクティスを提案する。
  論文  参考訳（メタデータ） (2025-08-06T21:55:28Z)
• VAPO: Efficient and Reliable Reinforcement Learning for Advanced Reasoning Tasks [49.0793012627959]
  本稿では,価値に基づくパラダイム内での推論モデルに適した新しいフレームワークVAPOを提案する。 VAPOは最先端のスコアが$mathbf60.4$に達する。 同じ実験条件下で直接比較すると、VAPOはDeepSeek-R1-Zero-Qwen-32BとDAPOの結果を10点以上上回っている。
  論文  参考訳（メタデータ） (2025-04-07T14:21:11Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Deep Survival Analysis from Adult and Pediatric Electrocardiograms: A Multi-center Benchmark Study [5.554864650304149]
  心電図(AI-ECG)に応用された人工知能は死亡予測の可能性を示している。 ミナスジェライスのBeth Israel Deaconess(MIMIC-IV)、Telehealth Network of Minas Gerais(Code-15)、Boston Children's Hospital(BCH)の3大コホートにおけるモデル設計選択の評価を行った。 我々は、地平線に基づく分類とディープサバイバル手法を畳み込みネットワークやトランスフォーマーを含むニューラルアーキテクチャと比較し、全原因死亡予測モデルを評価した。
  論文  参考訳（メタデータ） (2024-06-24T14:37:17Z)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。