論文の概要: A multimodal large language model for evidence-based autism spectrum disorder screening
- arxiv url: http://arxiv.org/abs/2609.16464v1
- Date: Tue, 15 Sep 2026 00:34:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.285717
- Title: A multimodal large language model for evidence-based autism spectrum disorder screening
- Title（参考訳）: 証拠に基づく自閉症スペクトラムスクリーニングのための多モーダル大言語モデル
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 43.813514045885704
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The clinical management of autism spectrum disorder (ASD) faces a bottleneck in early screening, mainly because trained specialists are scarce and conventional assessment tools are subjective. Here, we introduce ASDchat, a multimodal large language model designed for evidence-based ASD screening, which takes video, audio, and dialogue as input. ASDchat adopts a dual-branch architecture, where the decision branch generates screening probabilities and the evidence branch generates traceable, timestamped behavioral evidence aligned with standardized clinical criteria (ADOS-2). The model was trained and evaluated on a dataset of 1,035 participants from 27 sites in China, which covered typically developing (TD) children, children with ASD, and children with other disorders. For ASD versus TD, ASDchat reached an area under the receiver operating characteristic curve (AUC) of 0.953 $\pm$ 0.021. On 9 held-out sites that were not used for training, the mean AUC was 0.932. Furthermore, unsupervised clustering of the behavioral dimensions split the ASD cases into six subtypes with different phenotypic profiles, and ASDchat suggests an intervention for each subtype. ASDchat provides a feasible path for large-scale, evidence-based early ASD screening in clinical practice.
- Abstract（参考訳）: 自閉症スペクトラム障害(ASD)の臨床管理は早期スクリーニングにおいてボトルネックに直面している。
本稿では,映像,音声,対話を入力として利用する,エビデンスベースのASDスクリーニング用に設計されたマルチモーダルな大規模言語モデルであるASDchatを紹介する。
ASDchatはデュアルブランチアーキテクチャを採用しており、決定ブランチはスクリーニング確率を生成し、エビデンスブランチは標準化された臨床基準(ADOS-2)に準拠したトレース可能なタイムスタンプされた行動証拠を生成する。
このモデルは、中国の27のサイトから1035人の参加者のデータセットで訓練され、評価された。
ASD 対 TD の場合、ASDchat は 0.953 $\pm$ 0.021 の受信機動作特性曲線 (AUC) の領域に到達した。
トレーニングに使用しなかった9箇所では平均AUCは0.932であった。
さらに、行動次元の教師なしクラスタリングは、ASDのケースを異なる表現型プロファイルを持つ6つのサブタイプに分割し、ASDchatは各サブタイプに対する介入を提案する。
ASDchatは、臨床実践における大規模かつエビデンスに基づく早期ASDスクリーニングの実現可能なパスを提供する。
関連論文リスト
- 3D Temporal Analysis for Autism Spectrum Disorder Screening During Attention Tasks [1.158138930193954]
3DモデリングフレームワークであるDEC(Detailed Expression Capture and Animation)上に構築された新しい3D時間解析フレームワークが紹介されている。
GRUベースのモデルは優れた性能を示し、3Dヘッドポーズの精度は83.9%、顔の特徴は81.4%に達した。
論文 参考訳（メタデータ） (2026-06-03T13:07:28Z) - Echo-α: Large Agentic Multimodal Reasoning Model for Ultrasound Interpretation [76.6507710204181]
超音波解釈のためのエージェント型マルチモーダル推論モデルであるEcho-を提案する。
Echo-は臓器固有の検出出力を調整し、それらをグローバルな視覚的コンテキストに統合し、その結果の証拠を根拠となる診断決定に変換するように訓練されている。
以上の結果から, エージェントによるマルチモーダル推論は, 特定検出器を検証可能な臨床証拠にすることができることが示唆された。
論文 参考訳（メタデータ） (2026-04-30T15:31:00Z) - MMedExpert-R1: Strengthening Multimodal Medical Reasoning via Domain-Specific Adaptation and Clinical Guideline Reinforcement [63.82954136824963]
医療ビジョンランゲージモデルでは、現実世界のシナリオで必要とされる複雑な臨床推論を伴う知覚タスクが優れている。
本稿ではドメイン固有の適応とガイドライン強化を通じてこれらの課題に対処する新しい推論MedVLMを提案する。
論文 参考訳（メタデータ） (2026-01-16T02:32:07Z) - RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。
RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
論文 参考訳（メタデータ） (2025-09-24T10:36:14Z) - An Agentic System for Rare Disease Diagnosis with Traceable Reasoning [69.46279475491164]
大型言語モデル(LLM)を用いた最初のまれな疾患診断エージェントシステムであるDeepRareを紹介する。
DeepRareは、まれな疾患の診断仮説を分類し、それぞれに透明な推論の連鎖が伴う。
このシステムは2,919の疾患に対して異常な診断性能を示し、1013の疾患に対して100%の精度を達成している。
論文 参考訳（メタデータ） (2025-06-25T13:42:26Z) - Challenges in the Differential Classification of Individual Diagnoses from Co-Occurring Autism and ADHD Using Survey Data [2.521920073279046]
自閉症とADHD(Autism and Attention-Deficit Hyper Activity Disorder)は、小児期で最もよく見られる神経発達障害の1つである。
両者を区別するための特定の計算アセスメントを提供することは、困難かつ時間を要することが証明される。
自動臨床意思決定支援システムの特徴として,対象とする行動を特定するために,全国小児健康調査のデータを用いた機械学習モデルを訓練した。
論文 参考訳（メタデータ） (2024-11-13T03:38:56Z) - Autism Spectrum Disorder Classification with Interpretability in Children based on Structural MRI Features Extracted using Contrastive Variational Autoencoder [9.176360748848357]
自閉症スペクトラム障害(Autism spectrum disorder、ASD)は、患者に社会的相互作用能力の重大な障害をもたらす精神疾患である。
本研究では,0.92歳から4.83歳までの小児におけるASD分類のための機械学習手法を提案する。
論文 参考訳（メタデータ） (2023-07-03T12:46:19Z) - Screening Autism Spectrum Disorder in childrens using Deep Learning
Approach : Evaluating the classification model of YOLOv8 by comparing with
other models [0.0]
そこで本稿では,YoloV8モデルを用いた顔画像を用いたASDスクリーニングの実践的解決策を提案する。
分類の精度は89.64%、F1スコアは0.89。
論文 参考訳（メタデータ） (2023-06-25T18:02:01Z) - Development of an autism screening classification model for toddlers [0.0]
自閉症スペクトラム障害 ASDは、コミュニケーション、社会的相互作用、反復行動の課題に関連する神経発達障害である。
本研究は, 乳幼児の早期検診に寄与し, ASD 特性を有する者を同定し, 正式な臨床診断を行おうとする。
論文 参考訳（メタデータ） (2021-09-29T09:07:39Z) - Early Autism Spectrum Disorders Diagnosis Using Eye-Tracking Technology [62.997667081978825]
資金不足、資格のある専門家の欠如、そして修正方法に対する信頼度の低いことが、AMDのリアルタイム診断に影響を及ぼす主要な問題である。
我々のチームは、子どもの視線活動の情報に基づいて、ALDの確率を予測するアルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-08-21T20:22:55Z)
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。