本页面由土耳其语自动翻译。 阅读原文

本页是借助人工智能编写的土耳其语摘要，介绍在第26届世界精神病学大会上报告的研究。研究归报告作者所有；引用时请查阅原始来源。

EV0289

基于眼动追踪数据的儿童阅读障碍筛查机器学习方法：分类方法与性能的系统综述

MACHINE LEARNING APPROACHES FOR DYSLEXIA SCREENING USING EYE-TRACKING DATA IN CHILDREN: A SYSTEMATIC REVIEW OF CLASSIFICATION METHODS AND PERFORMANCE

基于眼动追踪数据的机器学习模型在阅读障碍筛查中的分类准确率可达96%–97%，优于传统筛查方法；但由于存在中等偏倚风险且外部效度有限，仍需开展前瞻性多中心研究。

本综述旨在评估使用眼动追踪（eye-tracking）数据的自动阅读障碍识别模型，比较不同算法的分类性能，并考察实时筛查系统的临床应用可行性。研究遵循PRISMA 2020指南，检索了五个数据库，检索时限为建库至2023年8月；纳入报告基于眼动特征的机器学习模型定量性能指标的研究。八项研究共涉及782名参与者，年龄为7至13岁，各研究样本量为30至187人。分类准确率（accuracy）从2015年的80.18%提升至当前卷积神经网络（CNN）方法的96.6%；SVM-RFE模型表现均衡，准确率为95.6%，敏感度（sensitivity）为95.5%，特异度（specificity）为95.7%。基于速度（velocity-based）的特征明显优于基于离散度（dispersion-based）的特征（95.6%对76%）；实时处理以每秒数据7毫秒的处理耗时达到了88.9%的准确率，混合SVM-PSO模型则以96%的最高准确率超越了传统方法。作为比较基准，传统筛查方法的准确率仅为70%–80%，敏感度为41.5%，特异度为93.5%。综上，基于眼动追踪的机器学习在阅读障碍筛查中的性能优于传统方法；但鉴于中等偏倚风险及外部验证有限，仍需按照标准化方案开展设计严谨的多中心前瞻性研究。

全部 WCP 2026 摘要