Artificial Intelligence‐Based Approaches for Autism Screening Using Facial Images and DSM‐5 Checklist Data: A Methodological Study
KI-basierte Ansätze zum Autismus-Screening mit Gesichtsaufnahmen und DSM-5-Checklisten-Daten: methodische Studie
Health Science Reports · 2026-10 · 9 (10)
DOI: 10.1002/hsr2.73360 ↗Auf einen Blick
Die Checklistenanalyse erreichte eine hohe Übereinstimmung mit einer psychiatrisch vergebenen Referenzlabelung. Die Bildmodelle zeigten je nach Architektur, Trainingsszenario und Transfer unterschiedliche Leistungen.
Fragestellung
Wie gut eignen sich KI-Methoden für das Autismus-Screening anhand von Gesichtsaufnahmen und DSM-5-Checklisten-Daten?
Methode
Methodische Studie mit 268 retrospektiv erhobenen DSM-5-Datensätzen und 162 lokalen Gesichtsaufnahmen; Evaluation von EfficientNet-B2 und ResNet50 in zwei Trainingsszenarien sowie einer DSM-5-Checklistenanalyse.
Ergebnisse
Die Checklistenanalyse erreichte 92,5 % Genauigkeit (248/268; 95 %-KI 89,6 %–95,5 %) und ROC-AUC 0,984 (95 %-KI 0,971–0,993). In der kindbasierten Reanalyse variierten die Bildmodelle deutlich zwischen Zero-shot- und adaptierter Leistung.
Einschränkungen
Die Bildresultate waren vorläufig und basierten auf kleinen lokalen Testkohorten.
Schlussfolgerung der Autor:innen
Die Checklistenanalyse zeigte eine hohe interne Übereinstimmung mit einem von Psychiater:innen vergebenen Label; die Bildleistung variierte je nach Architektur, Trainingsszenario, Populationstransfer und lokaler Anpassung.
Kernaussagen
- Checklistenmodell: 92,5 % Genauigkeit und ROC-AUC 0,984
- Bildmodelle zeigten stark unterschiedliche Leistungen
- Keine klinische Validität oder autonome Diagnose belegt
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Fachartikel in der Zeitschrift Health Science Reports, online erschienen am 08.10.2026. Verfasst von Fatemeh Mohammadi und 3 weiteren Autor:innen. Beteiligte Einrichtung: Department of Health Information Technology, School of Management and Medical Informatics Tabriz University of Medical Sciences Tabriz Iran. Die Arbeit nennt 11 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
Background and Aims Artificial intelligence methods may support research on autism spectrum disorder (ASD)‐related screening, but they cannot replace comprehensive clinical assessment. We evaluated two image‐training scenarios public Kaggle data alone and a manually prepared combined training set containing Kaggle images plus local images and separately examined a structured DSM‐5 checklist model. A child‐level reanalysis was used to evaluate public‐to‐local transfer and local adaptation while ensuring that images from the same child were not assigned to different partitions.
Methods
This methodological study used 268 retrospectively abstracted DSM‐5 records (134 ASD and 134 non‐ASD) and 162 local facial images from 92 children (43 ASD and 49 non‐ASD). The image experiment evaluated EfficientNet‐B2 and ResNet50 under two training scenarios: Kaggle‐only training with 2536 images (1268 per class) and a manually prepared combined training set with 2580 images (1290 per class), formed by adding 22 local images per class to the Kaggle training folders. Local images were linked to anonymous child identifiers before partitioning.
Results
The checklist model achieved 92.5% accuracy (248/268; 95% CI, 89.6%–95.5%) and ROC‐AUC 0.984 (95% CI, 0.971–0.993) in internal out‐of‐fold evaluation. In the child‐level reanalysis, the Kaggle‐only scenario produced zero‐shot/adapted accuracies of 42.1%/68.4% for EfficientNet‐B2% and 68.4%/89.5% for ResNet50 in 19 locked test children. With the 2580‐image combined training set, zero‐shot/adapted accuracies were 71.4%/78.6% for EfficientNet‐B2% and 57.1%/85.7% for ResNet50 in 14 locked test children. These image results are preliminary and based on small local test cohorts.
Conclusion
The checklist analysis showed high internal agreement with an existing psychiatrist‐assigned label, whereas image performance varied by architecture, training scenario, population transfer, and local adaptation. The results do not establish clinical validity or autonomous diagnosis. Future prospective, multicenter, participant‐level evaluation with independent reference standards is required before any clinical use.
Schlagwörter
Stichwörter der Autor:innen
Autor:innen und Institutionen
- Department of Health Information Technology, School of Management and Medical Informatics Tabriz University of Medical Sciences Tabriz Iran.
- Emergency and Trauma Care Research Center Tabriz University of Medical Sciences Tabriz Iran.
- Autism and Related Neurodevelopmental Disorders Research Team Tabriz University of Medical Sciences Tabriz Iran.
- Department of Psychiatry Tabriz University of Medical Sciences Tabriz Iran.
ORCID-Profile: Fatemeh Mohammadi, Peyman Rezaei-Hachesu, Afsoon Asadzadeh, Hassan Shahrokhi
Zitieren
APA
Mohammadi, F., Rezaei-Hachesu, P., Asadzadeh, A., & Shahrokhi, H. (2026). Artificial Intelligence‐Based Approaches for Autism Screening Using Facial Images and DSM‐5 Checklist Data: A Methodological Study. Health Science Reports, 9(10). https://doi.org/10.1002/hsr2.73360
Vancouver
Mohammadi F, Rezaei-Hachesu P, Asadzadeh A, Shahrokhi H. Artificial Intelligence‐Based Approaches for Autism Screening Using Facial Images and DSM‐5 Checklist Data: A Methodological Study. Health Science Reports. 2026;9(10). doi:10.1002/hsr2.73360
BibTeX
@article{Mohammadi2026,
author = {Mohammadi, Fatemeh and Rezaei-Hachesu, Peyman and Asadzadeh, Afsoon and Shahrokhi, Hassan},
title = {Artificial Intelligence‐Based Approaches for Autism Screening Using Facial Images and DSM‐5 Checklist Data: A Methodological Study},
journal = {Health Science Reports},
year = {2026},
volume = {9},
number = {10},
doi = {10.1002/hsr2.73360}
}
EUVIMED