Page 205 - 急诊医学与精神疾病的临床理论研究

Clinical Theoretical Research on Emergency Medicine and Mental Disorders
急诊医学与精神疾病的临床理论研究

的差异波幅（偏差 - 标准）为观察指标，结果表明，差异波幅在各潜伏期均表现
出特定的变化规律。与健康对照组和精神分裂症相比，双相障碍伴精神病性症状
患者早期潜伏期（90ms）的差异波幅更低。与健康对照组和双相障碍伴精神病

性症状患者相比，精神分裂症患者在 130~200ms（失匹配负波）的差异波幅更低。
（四）眼动诊断模型
构建 ASD 眼动诊断鉴别模型的研究显示，在局限兴趣偏好范式方面，ASD
患儿对头部和人物的注视时间短于正常儿童，而对物品的观看时间长于正常儿童。

人造面孔偏好范式方面，ASD 患儿在观察人物头部的首次进入潜伏期明显延长，
对卡通图片的关注时长与症状严重程度呈正相关，提示 ASD 患儿对卡通图片更
感兴趣，且观察时间越长，症状越严重。场景复杂性范式方面，ASD 患儿对人
物头部的关注少于抽动障碍患儿，而对社交意义少的身体及重复动作部分的关注

更多，当图像中有两个儿童互动时，ASD 患儿对头部的关注时间少于图像中人
数多时。社会互动范式方面，ASD 患儿对身体的观察时间明显长于对照组，对
嘴部的观察时间明显短于对照组。将多种范式结合，选取了特征重要性最高的三
大主要特征：人造面孔偏好范式中进入人物头部的潜伏期、对身体的关注时长和

两个小朋友互动时对头部的关注时长，对样本集绘制 ROC 曲线：灵敏度为 0.83，
特异度为 0.77，准确率为 0.81，ROC 曲线下面积（AUC）为 0.85，实验结果说明，
以上三个眼动指标能够有效区分 ASD 患儿和抽动障碍儿童，拟作为 ASD 的眼动
诊断标记物。

（五）人工智能诊断
一项借助机器学习将眼动扫描路径用于诊断 ASD 的研究选择了 29 名正常发
育儿童和 30 名 ASD 患儿，将眼动扫描路径图作为眼动指标。结果显示，深度神
经网络模型优于典型的机器学习方法，其 AUC 为 97%，灵敏度为 93.28%，特异

度为 91.38%，阴性预测值为 94.46%，阳性预测值为 90.06%。在将眼动和行为指
标结合用于机器学习对 ASD 进行诊断分类的研究中，选择 19 名 ASD 患儿和 20
名正常发育儿童，年龄均为 6~13 岁，在结构化访谈过程中，通过头戴式眼动仪
收集被试的眼动数据，SVM 分类器通过三个特征（访谈总时长、访谈第一节对

嘴巴注视时间百分比、访谈第三节对全身注视时间百分比）达到最佳诊断分类，
准确率为 92.31%，特异度为 100%，灵敏度为 84.21%，AUC 为 0.92。仅用眼动
指标特征达到的最大分类准确率为 84.62%，或仅用访谈时长特征达到的最大分

188