摘要
理解自闭症与神经典型成人之间的感知差异需要灵敏、可靠且具有机制信息的行为测量。面部情感感知是一个有用的测试案例，因为已有研究报告了组间差异，但结果在不同研究中变化较大。
我们展示了这种变异可能反映了图像层面的稀疏性：自闭症与神经典型在情感判断上的差异集中在少数特定的诊断面部表情上，而不是均匀分布在所有刺激中。
我们训练了特定人群的人工神经网络模型，以预测自闭症和神经典型参与者的图像级判断，然后利用这些模型选择预测能够最大化组别分离的新面孔。在独立的队列中，模型选择的图像产生的行为差异大于随机匹配图像。
随后，我们使用相同的模型与生成对抗网络结合，将诊断图像转化为更大程度上预测的组别一致性。在表型匹配的验证中，合成图像相对于其匹配的原始图像减少了行为分离。
这些结果建立了一个模型指导的框架，用于发现和转化刺激，从而揭示特定人群的感知差异。更广泛地说，这表明行为表型分析可以超越对固定刺激集的平均化，而朝向优化的测量，识别神经多样化感知分歧或趋同的条件。
博主点评： 这项研究通过结合人工智能与生成对抗网络，开辟了自闭症情感感知研究的新思路，强调了针对特定人群的个性化刺激设计的重要性。未来的研究可以在此基础上进一步探索不同人群的感知差异，为心理健康领域提供更多的科学依据。