ASD-Screening-ML：基于Q-CHAT-10和随机森林的儿童自闭症筛查工具

一个获得泰国青年科学家竞赛优异奖的机器学习项目，利用Q-CHAT-10临床框架和随机森林分类器，为12-36个月大的幼儿提供高敏感度的自闭症谱系障碍（ASD）特征筛查。

• 原作者/维护者：umingpx
• 来源平台：github
• 原始标题：ASD-Screening-ML
• 原始链接：https://github.com/umingpx/ASD-Screening-ML
• 来源发布时间/更新时间：2026-06-16T16:45:50Z

原作者与来源

• 原作者/维护者：umingpx
• 来源平台：github
• 原始标题：ASD-Screening-ML
• 原始链接：https://github.com/umingpx/ASD-Screening-ML
• 来源发布时间/更新时间：2026-06-16T16:45:50Z 原作者与来源\n\n- 原作者/维护者： umingpx\n- 来源平台： GitHub\n- 原始标题： ASD-Screening-ML\n- 原始链接： https://github.com/umingpx/ASD-Screening-ML\n- 发布时间： 2026-06-16\n- 获奖情况： 泰国青年科学家竞赛（YSC Thailand）优异奖（Merit）\n\n---\n\n项目背景与意义\n\n自闭症谱系障碍（Autism Spectrum Disorder, ASD）的早期筛查对于儿童的长期发展至关重要。研究表明，早期干预可以显著改善ASD儿童的语言、社交和认知能力。然而，传统的诊断流程往往需要数月甚至数年的时间，且需要专业临床医生进行评估。\n\nASD-Screening-ML 项目旨在开发一种高敏感度的筛查工具，帮助识别12至36个月大幼儿中可能存在的ASD特征。该项目最初是用C++开发的基于规则的系统，当前版本则采用了机器学习架构，利用随机森林算法分析基于Q-CHAT-10临床框架的行为模式。\n\n---\n\nQ-CHAT-10：量化自闭症特征筛查工具\n\nQ-CHAT-10（Quantitative Checklist for Autism in Toddlers）是一种广泛使用的自闭症筛查问卷，包含10个关于幼儿行为的问题。这些问题涵盖了社交沟通、注意力、游戏行为等关键发展领域。\n\n在DSM-5（精神障碍诊断与统计手册第五版）的诊断标准框架下，Q-CHAT-10的问题对应于两个核心诊断标准：\n\n标准A：社交沟通与互动障碍\n\n通过特征A1-A6和A9进行评估，包括：\n- 共同注意（joint attention）\n- 手势交流（gesturing）\n- 眼神接触\n- 对他人的社交反应\n\n标准B：受限的、重复的行为模式\n\n通过特征A7、A8和A10进行评估，包括：\n- 重复性动作\n- 对特定物体的执着\n- 感官敏感性\n\n---\n\n机器学习模型设计\n\n数据集\n\n模型基于1,054个案例的数据集进行训练。每个案例包含幼儿在Q-CHAT-10各问题上的评分，以及最终的临床诊断结果（ASD或非ASD）。\n\n数据泄露修复（Leakage Fix）\n\n这是该项目的一个关键设计亮点。原始Q-CHAT-10问卷有一个总分（aggregate score），这个总分本身就是基于各问题得分计算得出的。如果在训练时保留这个总分作为特征，模型实际上是在学习"总分高则可能是ASD"这个显而易见的规则，而不是学习各行为特征与诊断之间的真实关联。\n\n为了确保机器学习过程的完整性，作者特意从训练特征中移除了Q-CHAT总分，迫使模型必须识别单个行为特征与最终分类之间的相关性，而不是依赖预计算的求和结果。这种设计体现了对机器学习最佳实践的深刻理解。\n\n模型选择：随机森林\n\n项目选择了随机森林（Random Forest）作为分类算法，这是一个明智的选择：\n\n- 处理小样本数据：1,054个样本属于中等规模，随机森林在这种数据量上表现良好\n- 特征重要性分析：随机森林可以输出各特征的重要性排序，有助于理解哪些行为指标对诊断最关键\n- 鲁棒性：对缺失值和噪声数据有较好的容忍度\n- 可解释性：相比深度学习，随机森林的决策过程更容易向临床医生解释\n\n---\n\n模型性能评估\n\n在20%的留出样本（hold-out sample）上进行测试，模型取得了以下结果：\n\n| 指标 | 数值 |\n|------|------|\n| 召回率（Recall/Sensitivity） | 0.97 |\n| 准确率（Accuracy） | 0.96 |\n\n为什么召回率是主要指标？\n\n在医学筛查场景中，0.97的召回率是最重要的成功指标。这意味着模型能够以97%的可靠性识别出需要进一步专业评估的儿童。\n\n从临床角度看，假阴性（漏诊）的成本远高于假阳性（误诊）。漏诊可能导致错过早期干预的黄金窗口期，而误诊只是让一些正常儿童多接受一次专业评估。因此，高召回率比高精确率更符合筛查工具的设计目标。\n\n---\n\n特征重要性分析\n\n特征重要性分析揭示了模型决策过程中最具影响力的行为指标：\n\n最重要的预测因子：\n\n1. A9（手势交流）\n - 评估幼儿是否使用指向、挥手等手势进行交流\n - 这是社交沟通发展的关键里程碑\n\n2. A7（社交情感互惠）\n - 评估幼儿在社交互动中的情感回应能力\n - 反映了社交互动的双向性\n\n这些发现与临床文献一致：手势交流和社交情感互惠是ASD早期筛查的核心指标。\n\n---\n\n项目结构与使用\n\n\n├── app.py Streamlit Web界面\n├── asd_model.pkl 序列化的随机森林模型权重\n├── Processed_Dataset.csv 编码后的幼儿数据集\n└── feature_importance.png 行为特征权重可视化\n\n\nStreamlit界面\n\n项目提供了基于Streamlit的Web界面，使临床医生或家长可以通过简单的问答交互使用筛查工具，无需编程知识。\n\n---\n\n局限性与免责声明\n\n项目作者明确声明：\n\n> 这是一个用于风险分层和教育规划的筛查工具，不能替代专业的临床诊断。\n\n这体现了负责任的技术应用态度。机器学习筛查工具的价值在于帮助识别高风险个案，引导他们寻求专业评估，而不是取代医生的诊断。\n\n---\n\n技术启示与价值\n\n数据泄露防范\n\n该项目是教学级别的数据泄露防范案例。许多机器学习初学者会无意中在特征中包含目标变量的派生值，导致模型性能虚高但实际无用。ASD-Screening-ML展示了如何识别和修复这类问题。\n\n领域知识与机器学习的结合\n\n项目的成功在于将Q-CHAT-10的临床框架与DSM-5诊断标准映射到机器学习特征工程。这提醒我们：最好的机器学习项目往往源于对领域问题的深刻理解，而非纯粹的技术堆砌。\n\n伦理考量\n\n在医疗AI领域，透明度和可解释性至关重要。随机森林的特征重要性输出使医生能够理解模型的决策依据，这比黑盒深度学习模型更符合医疗场景的需求。\n\n---\n\n总结\n\nASD-Screening-ML 是一个将机器学习技术 responsibly 应用于医疗健康领域的优秀范例。它不仅在技术上实现了高准确率的分类性能，更重要的是展现了如何在医疗场景中负责任地设计和评估AI系统。\n\n对于希望进入医疗AI领域的开发者，该项目提供了清晰的参考：从数据预处理（特别是泄露修复）、模型选择、性能评估指标的选择，到最终的用户界面设计，每个环节都体现了专业性和对临床现实的尊重。