Das Autismus-Spektrum-Störung (ASD) ist ein neurologischer Zustand, der Probleme in der verbalen und non-verbalen Kommunikation sowie sozialen Interaktionen umfasst und durch monotones und stereotypisches Verhalten gekennzeichnet ist. Die Prävalenz von ASD wird laut den Centers for Disease Control and Prevention (CDC) auf 1 von 54 Kindern geschätzt. Mädchen mit ASD haben oft weniger offensichtliche Symptome im Vergleich zu Jungen. Autismus ist eine anhaltende Erkrankung, die ein Leben lang besteht. Es ist daher äußerst wichtig, ASD frühzeitig zu identifizieren, da Personen, die frühzeitig in der Kindheit mit ASD diagnostiziert werden, von geeigneten Therapien profitieren können, was zu langfristig positiven Ergebnissen führen kann.
Gesichtsausdrücke kommunizieren schon früh im Leben eine Fülle persönlicher, emotionaler und sozialer Informationen. Eye-Tracking hat in den letzten Jahren die Aufmerksamkeit von Wissenschaftlern auf sich gezogen. Durch die Verwendung von Eye-Tracking im ASD-Forschungsbereich können Aberrationen im Blickverhalten von Personen mit ASD besser verstanden und Personen mit ASD von typisch entwickelten Personen unterschieden werden. Die Augenverfolgungstechnologie ist entscheidend für die Diagnose von ASD durch die Analyse von visuellen Mustern.
Die Verwendung von tiefen Lernalgorithmen wie MobileNet, VGG19, DenseNet169 und einem Hybrid aus MobileNet und VGG19 hat gezeigt, dass sie in der Lage sind, ASD-Fälle anhand von Eye-Tracking-Merkmalen genau zu identifizieren. Die Modelle wurden auf eine Genauigkeit von 100% bei der Erkennung von ASD trainiert. Die Forschung zeigt, dass diese Modelle eine vielversprechende Methode darstellen, um ASD-Fälle anhand von Eye-Tracking-Daten zu diagnostizieren und zu behandeln.
Zukünftige Studien sollten die Modellstrukturen weiter optimieren, um die Genauigkeit der Diagnose von ASD zu verbessern. Die Forschung hebt die Bedeutung von Eye-Tracking-Technologie in der Identifizierung und Behandlung von ASD hervor und zeigt Potenzial für die Anwendung von Deep-Learning-Modellen in der Diagnose und Behandlung von Autismus-Spektrum-Störungen.