本研究探讨了人工智能在自闭症谱系障碍（ASD）个体的诊断、评估和干预中的应用，表明AI通过生物特征数据分析和深度学习算法，能够提供更准确的诊断，促进个性化评估协议的发展，并提升儿童的社交技能。

本研究提出了一种隐私保护的领域对抗联邦学习框架（DAFed），旨在解决脑功能连接分析中的隐私问题和数据挑战。该框架通过特征解耦和对抗训练，提高了模型的鲁棒性和分类准确性，尤其在自闭症谱系障碍的诊断中表现突出，推动了多站点联合研究的发展。

本研究引入“拥抱雨人”数据集，分析自闭症谱系障碍（ASD）儿童的非典型面部表情。该数据集包含手动注释的面部动作单元，揭示ASD儿童在情感表达中的不规则和多样化表情模式，为ASD的早期筛查提供了潜在工具。

本研究提出了一种名为ADOS-Copilot的框架，旨在改善自闭症谱系障碍（ASD）的诊断方法。该框架结合评分与解释，显示出与临床医生相当的诊断效果，为大型语言模型在心理健康领域的应用提供了重要启示。

该研究提出了多种新方法用于自闭症谱系障碍（ASD）的诊断和分析，包括W-SIMULE模型、NeuroGraph软件包和MADE-for-ASD网络，显著提高了诊断的准确性和效率。研究通过功能性磁共振成像（fMRI）数据揭示了大脑连接性与ASD的关系，并提出了有效的预测模型，推动了神经影像学的发展。

该论文提出了一种基于神经网络的方法，用于检测和推断人类社交行为，展示了在多个基准测试中的优异性能。研究涉及社交互动的视觉识别、交互关系网络的构建，以及自闭症谱系障碍（ASD）领域的数据共享和早期检测，提出了MMASD+数据集和亲子互动游戏协议，显著提高了检测准确率。

本研究通过视频分析自闭症谱系障碍（ASD），提出多种深度学习模型和方法，提升早期诊断准确性。利用自然视频数据和亲子互动游戏协议，构建大规模数据集，实现高达89.6%的检测准确率，改善临床决策，并分析社交注视特征，提升诊断效率。

本文探讨了多种基于深度学习和图卷积网络的方法，用于自闭症谱系障碍（ASD）的脑活动模式预测和早期检测。研究提出的模型如Com-BrainTF和HyperGALE显著提高了预测的准确性和可解释性，展示了新方法在ASD诊断中的潜力，并强调了图形技术在神经发育研究中的应用。

本研究提出了一种基于神经影像的可靠生物标志物识别方法HyperGALE，通过引入学习的超边和门控注意机制，该方法在解释复杂的脑图数据方面取得了显著改进，对自闭症谱系障碍标志物的特征有深入洞察。

自闭症谱系障碍 (ASD) 对儿童的生活造成困难，早期诊断对治疗和关怀至关重要。研究者提出了一种深度学习模型，分析儿童对感官刺激的反应，捕捉 ASD 和非 ASD 患者之间的关键差异。该模型使用相对便宜的 GPU、计算机配置和视频摄像机。研究结果表明，该模型能够泛化并理解患者不同运动之间的关键差异。

该研究使用两个LiDAR传感器，通过椭圆拟合和几何特征提取与神经网络回归器集成的管道模型，准确估计人们在自然状态下以不同的头部和身体姿势进行移动的方向。该研究还使用这些模型来量化自闭症谱系障碍和典型个体在三角对话中的行为差异，结果表明自闭症谱系障碍的个体在对话中的注意力分配行为与典型个体有显著的不同。

研究使用R-fMRI构建个体特定的连通图谱，提高自闭症谱系障碍患者的神经心理状态识别准确率。数据集可从多个不同处获取，所提取的功能脑区比参考图谱更具生物标志物发现的重要性。

本文提出了一种新颖的可解释的感兴趣区域选择框架，用于脑疾病识别。实验证实了该方法在自闭症谱系障碍诊断方面的有效性，并对选定的感兴趣区域进行定性分析，鉴别与先前神经科学研究相关的ASD亚型。