摘要：及时诊断自闭症谱系障碍是一个重大挑战，但是新的研究表明，年轻人和可能的儿童掌握物体如何提供一种更简单的方法来诊断自闭症谱系中的人。该团队是国际合作的一部分，使用机器学习来分析自闭症和非自动人士的自然主义手动运动，特别是在抓握过程中的手指动作。...

及时诊断自闭症谱系障碍是一个重大挑战，但是约克大学的新研究表明，年轻人和可能的儿童如何掌握物体可以提供一种更简单的方法来诊断自闭症谱系中的人。

该团队是国际合作的一部分，使用机器学习来分析自闭症和非自动人士的自然主义手动运动，特别是在抓握过程中的手指动作。

“我们的模型能够以大约85％的准确性对自闭症进行分类，这表明这种方法可能提供了更简单，可扩展的诊断工具，”约克心理学系的Erez Freud副教授和视觉研究中心说。

“自闭症目前影响约50名加拿大儿童，及时，可及的诊断仍然是一个主要挑战。我们的发现增加了不断增长的研究，这表明微妙的运动模式可能会提供有价值的诊断信号 - 尚未在临床实践中尚未得到广泛利用。”

除了社会和沟通挑战外，自闭症，一种神经发育障碍，还包括运动异常，这些异常经常出现在幼儿时期。研究人员说，对这些运动运动进行测试可能会导致更快的诊断和干预。

Haifa大学的Batsheva Hadad教授说：“诊断的主要行为标志物的重点是那些相对较晚的发病率和可以在童年早期捕获的电机标记物可能会降低诊断年龄。”

要求自闭症和非作业的年轻参与者使用其拇指和食指，这些手指附有标记，以掌握不同尺寸的不同块，举起每个块，并将其替换在同一位置，然后将手放回起点。研究人员使用机器学习来分析参与者的手指运动，因为他们进行了抓住动作。

两组参与者的智商都正常，并且在年龄和智力上都匹配。使用年轻人而不是儿童来排除由于发育延迟而导致的发现的任何差异。

研究发现，可以有效地以超过84％的精度来有效捕获微妙的运动控制差异。该研究还表明，自闭症和非自动参与者之间的抓握运动具有不同的运动特性。

弗洛伊德说，对自然主义精确施加任务的分析通常在先前的研究中没有使用。但是，机器学习为研究人员提供了一种强大的新工具来分析运动模式，并在评估自闭症谱系障碍评估中使用运动数据的新方法。

弗洛伊德说，这些发现可能导致开发更易于访问和可靠的诊断工具，以及及时的干预和支持，从而可以改善自闭症患者的结果。