機(jī)器學(xué)習(xí)在自閉癥兒童早期識(shí)別和診斷領(lǐng)域的應(yīng)用*

侯婷婷 陳 瀟 孔德彭 邵秀筠 林豐勛 李開(kāi)云

機(jī)器學(xué)習(xí)在自閉癥兒童早期識(shí)別和診斷領(lǐng)域的應(yīng)用*

侯婷婷1陳 瀟2孔德彭2邵秀筠3林豐勛1李開(kāi)云1

(1濟(jì)南大學(xué)教育與心理科學(xué)學(xué)院, 濟(jì)南 250022) (2浙江工業(yè)大學(xué)教育科學(xué)與技術(shù)學(xué)院, 杭州 310023) (3青島市晨星實(shí)驗(yàn)學(xué)校, 青島 266000)

早發(fā)現(xiàn)、早診斷、早干預(yù)是開(kāi)展自閉癥兒童教育康復(fù)工作的共識(shí), 但傳統(tǒng)識(shí)別和診斷方法局限及專業(yè)人員缺乏常導(dǎo)致自閉癥兒童錯(cuò)失最佳干預(yù)期。為改善現(xiàn)狀, 近年來(lái)機(jī)器學(xué)習(xí)憑借其客觀準(zhǔn)確、簡(jiǎn)便靈活等方面的優(yōu)勢(shì), 逐漸被應(yīng)用到自閉癥的早期預(yù)測(cè)、篩查、診斷和評(píng)估過(guò)程管理中, 積累了較為豐富的成果。但是機(jī)器學(xué)習(xí)也在研究對(duì)象選取、分類數(shù)據(jù)采集和理論模型應(yīng)用等方面存在局限性。未來(lái)研究應(yīng)推動(dòng)構(gòu)建孕產(chǎn)期和新生兒病理生理信息追蹤數(shù)據(jù)庫(kù)和標(biāo)準(zhǔn)化模型分類指標(biāo)體系, 同時(shí)繼續(xù)優(yōu)化算法, 加快智能化自閉癥識(shí)別和診斷理論成果向?qū)嵺`轉(zhuǎn)化。

機(jī)器學(xué)習(xí), 自閉癥, 早期識(shí)別與診斷, 系統(tǒng)綜述

1 引言

隨著智能時(shí)代的到來(lái), 人工智能(Artificial Intelligence, AI)與特殊教育的深度融合已經(jīng)成為教育發(fā)展的重要趨勢(shì)(郭利明等, 2019)。眾多研究者致力于將人工智能技術(shù)與不同類型、不同障礙程度特殊教育需要兒童的需求相匹配, 為他們提供更具個(gè)性化、精準(zhǔn)化的教育康復(fù)與醫(yī)療診治服務(wù), 進(jìn)一步改善其生活和學(xué)習(xí)質(zhì)量。隨著技術(shù)的不斷成熟, 自閉癥譜系障礙(Autism Spectrum Disorders, ASD)這一數(shù)量龐大、病因復(fù)雜群體受到了智能教育界的廣泛關(guān)注, 圍繞為自閉癥實(shí)施行之有效的干預(yù)這一焦點(diǎn)問(wèn)題展開(kāi)了一系列的探討, 其中科學(xué)準(zhǔn)確的早期識(shí)別和診斷作為教育干預(yù)開(kāi)展的前提, 不可避免地成為了研究與實(shí)踐中必須面對(duì)和亟待解決的關(guān)鍵問(wèn)題。

根據(jù)美國(guó)疾病預(yù)防和控制中心數(shù)據(jù)顯示, 2021年自閉癥譜系障礙的發(fā)病率為1/44, 與2000～ 2002年的1/150相比, 患病率增加了近240.9% (Maenner et al., 2021)。面對(duì)不斷攀升的患病率和尚不明確的發(fā)病機(jī)制, 自閉癥已演變成為全球性重大公共衛(wèi)生問(wèn)題。積極開(kāi)展早期預(yù)防、識(shí)別和干預(yù)是應(yīng)對(duì)這一挑戰(zhàn)的重要舉措。然而目前很少有專門面向ASD群體的大范圍患病風(fēng)險(xiǎn)篩查, ASD診斷也主要依靠外在的行為觀察與評(píng)估人員的主觀經(jīng)驗(yàn)判斷。常規(guī)診斷流程是評(píng)估人員依據(jù)標(biāo)準(zhǔn)化診斷工具(如Diagnostic and Statistical Manual of Mental Disorders - 4/5th ed., DSM-IV/DSM-V; International Classification of Diseases, ICD)對(duì)兒童進(jìn)行評(píng)定, 評(píng)定方式包括心理和教育測(cè)量、醫(yī)學(xué)檢查、家長(zhǎng)或監(jiān)護(hù)人訪談、日常觀察等, 操作費(fèi)時(shí), 對(duì)于評(píng)估人員具有極高的專業(yè)理論知識(shí)和臨床經(jīng)驗(yàn)要求。但現(xiàn)實(shí)情況是, 國(guó)內(nèi)具備診斷資質(zhì)的專業(yè)人員非常少, 即使是在特殊教育發(fā)展相對(duì)靠前的一些國(guó)家, 如美國(guó), 能夠進(jìn)行ASD診斷的兒科醫(yī)生也僅占全體醫(yī)生8%的比例(陳順森等, 2011), 專業(yè)診斷“一號(hào)難求”。有研究顯示, 盡管自閉癥兒童的行為癥狀早在1～2歲就能表現(xiàn)出來(lái), 但典型自閉癥診斷的平均年齡卻在4歲以后, 輕度自閉癥的診斷年齡在5.6～8.6歲(Sheldrick et al., 2017), 高功能自閉癥甚至要延遲到11歲以后(Guinchat et al., 2012), 兒童被迫陷入“等待失敗”的痛苦中。另外這種完全基于外在行為的、主觀的診斷納入的參考變量有限, 缺乏客觀一致的神經(jīng)科學(xué)指標(biāo), 誤診、漏診時(shí)有發(fā)生(Klin et al., 2000), 一部分兒童被錯(cuò)誤地貼上了自閉癥的標(biāo)簽, 嚴(yán)重違背了評(píng)估診斷的初衷。最令人擔(dān)憂的是, 這些問(wèn)題會(huì)嚴(yán)重阻礙自閉癥患者早期干預(yù), 延誤教育康復(fù)的黃金時(shí)段, 給自閉癥兒童及其家庭帶來(lái)巨大的心理和經(jīng)濟(jì)負(fù)擔(dān)。最后, 即使自閉癥兒童診斷完成, 后續(xù)基于這些患者表現(xiàn)進(jìn)行的病因、癥狀研究仍屬于回溯性分析, 很難全面客觀地總結(jié)ASD行為特征, 提取可表征潛在生理機(jī)制的標(biāo)記物, 篩選出和臨床預(yù)測(cè)相關(guān)度比較高的特征。這使得我們?cè)谧蚤]癥兒童防治工作中一直處在被動(dòng)狀態(tài)。

機(jī)器學(xué)習(xí)(Machine Learning, ML)作為人工智能的核心, 是一類從數(shù)據(jù)中自動(dòng)分析獲得規(guī)律, 并利用規(guī)律對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)的技術(shù)(余明華等, 2017)。該技術(shù)自動(dòng)生成的規(guī)則不受個(gè)體主觀經(jīng)驗(yàn)的影響, 對(duì)于提升分類的特異性、敏感性、準(zhǔn)確性和增加分類效率都具有重要意義。此外, 機(jī)器學(xué)習(xí)可以提取大量數(shù)據(jù)中細(xì)微的、潛在有用的信息, 并利用這些信息創(chuàng)建一個(gè)針對(duì)當(dāng)前問(wèn)題的預(yù)測(cè)或分類模型, 特別適用于洞察復(fù)雜問(wèn)題的內(nèi)在規(guī)律, 幫助盡早發(fā)現(xiàn)可能病因, 提高自閉癥的生活質(zhì)量(崔建偉等, 2021; 李航, 2012; Hosseinzadeh et al., 2021)。國(guó)內(nèi)外學(xué)者將其應(yīng)用于多種精神與神經(jīng)系統(tǒng)疾病的分類、診斷、治療和預(yù)后管理中, 在自閉癥群體的預(yù)測(cè)、識(shí)別和輔助診斷實(shí)證研究中也取得了大量有價(jià)值的成果, 但國(guó)內(nèi)在該方面的研究報(bào)告相對(duì)較少。本文就機(jī)器學(xué)習(xí)在自閉癥兒童早期識(shí)別和診斷中的應(yīng)用進(jìn)行綜述, 以期為國(guó)內(nèi)相關(guān)研究與實(shí)踐提供參考。

2 研究方法

采用國(guó)際上廣泛使用的系統(tǒng)性文獻(xiàn)綜述和元分析方法(Preferred Reporting Items for Systematic reviews and Meta-Analyses, PRISMA)來(lái)確定納入研究的論文構(gòu)成。該方法包括4個(gè)文獻(xiàn)篩選階段, 共計(jì)27條綜述項(xiàng)目。4個(gè)階段分別為檢索、初篩、納入和綜合, 綜述項(xiàng)目包括文獻(xiàn)標(biāo)題、摘要、研究目的、研究方法和研究結(jié)果等(Moher et al., 2009)。考慮到近年來(lái)計(jì)算機(jī)科學(xué)技術(shù)發(fā)展迅猛, 更新?lián)Q代速度極快, 本文選取近5年來(lái)機(jī)器學(xué)習(xí)在自閉癥兒童早期識(shí)別和診斷領(lǐng)域文獻(xiàn), 具體檢索日期范圍為2016年1月1日～2021年4月29日。應(yīng)用的英文主題詞為：“Autis” “Prediction” “Early Screening/ Early Detection/ Early Identification/ Early Recognition” “Early Diagnosis” “Machine Learning/ Artificial Intelligence”, 在EBSCO、Elsevier Science Direct、SAGE、Web of Science、Springer五個(gè)綜合性外文數(shù)據(jù)庫(kù)進(jìn)行檢索, 限定檢索范圍為同行評(píng)議(Peer-reviewed)期刊, 獲得520篇文獻(xiàn), 通過(guò)參考文獻(xiàn)引文檢索又獲得50篇文獻(xiàn), 共計(jì)570篇。作者共同閱讀文獻(xiàn)的標(biāo)題、摘要及正文, 刪除重復(fù)、不符合既定標(biāo)準(zhǔn)的論文, 最后獲取納入綜述的文獻(xiàn)60篇(見(jiàn)圖1)。

圖1 PRISMA文獻(xiàn)篩選流程圖

文獻(xiàn)納入標(biāo)準(zhǔn)：(1)文獻(xiàn)為英文實(shí)證期刊論文, 全文可得且文章不少于3頁(yè); (2)研究對(duì)象中至少包含1名ASD兒童(在本文中, 對(duì)兒童的界定參照國(guó)際《兒童權(quán)利公約》, 即兒童指18歲以下的個(gè)體), 且具有明確的被試統(tǒng)計(jì)學(xué)變量(年齡)或“兒童”標(biāo)注2作者注：10項(xiàng)研究中被試人數(shù)多、年齡跨度大, 同時(shí)存在兒童與成年被試, 無(wú)法做嚴(yán)格區(qū)分。所以附表中部分被試年齡大于18歲。; (3)研究包含明確的研究問(wèn)題、方法和結(jié)論, 研究結(jié)論有詳實(shí)的數(shù)據(jù)支撐; (4)研究主題聚焦ASD兒童的早期識(shí)別或診斷, 在摘要或關(guān)鍵詞中明確表明采用機(jī)器學(xué)習(xí)技術(shù)進(jìn)行分類。排除標(biāo)準(zhǔn)：(1)非英文文獻(xiàn)(韓語(yǔ)、德語(yǔ)、西班牙語(yǔ)等)、綜述、書籍章節(jié)、會(huì)議記錄和專利等文章, 以及少于3頁(yè)的文章; (2)研究對(duì)象全部為18歲以上的成年人、老年人或其他特殊群體; (3)研究問(wèn)題、研究設(shè)計(jì)或研究結(jié)論模糊不清, 結(jié)論沒(méi)有數(shù)據(jù)支撐; (4)與ASD無(wú)關(guān)的精神疾病研究以及未應(yīng)用機(jī)器學(xué)習(xí)方法的研究。這些標(biāo)準(zhǔn)是在文獻(xiàn)搜索之前確定的, 以減少在文獻(xiàn)篩查期間的潛在偏見(jiàn)。

最后, 基于徐建平和張厚粲(2005)提出的“歸類一致性公式”檢測(cè)編碼信度, 由前兩位作者共同計(jì)算出納入綜合分析的文獻(xiàn)評(píng)分者信度在0.50～1.00之間, 總的歸類一致性為0.812; 編碼信度系數(shù)值在0.75～0.80之間, 總體編碼信度系數(shù)為0.759, 表明研究文獻(xiàn)具有公平到良好的一致性水平。

3 基于機(jī)器學(xué)習(xí)的自閉癥早期識(shí)別和診斷研究數(shù)據(jù)類型與采集

機(jī)器學(xué)習(xí)可以通過(guò)對(duì)已有數(shù)據(jù)的抽象, 發(fā)現(xiàn)數(shù)據(jù)的隱藏規(guī)律(董健宇等, 2020)。因此數(shù)據(jù)是模型建立的源頭性因素, 建模的第一步就是數(shù)據(jù)收集。

3.1 數(shù)據(jù)構(gòu)成

ASD兒童本身異質(zhì)性高, 數(shù)據(jù)結(jié)構(gòu)性不強(qiáng), 因此分類模型的原始數(shù)據(jù)一般為二分類數(shù)據(jù)。從被試構(gòu)成看, 研究者一般同時(shí)設(shè)置實(shí)驗(yàn)組和對(duì)照組, 選取ASD及與其生理年齡、智力年齡等相匹配的其他發(fā)展障礙或典型發(fā)展兒童(typically developing, TD), 其中障礙兒童常見(jiàn)類型有注意缺陷多動(dòng)障礙(Attention Deficit Hyperactivity Disorder, ADHD)、發(fā)展遲緩(Developmental Delay, DD)、兒童失語(yǔ)癥(Childhood Apraxia of Speech, CAS)和其他神經(jīng)發(fā)育障礙(Other neurodevelopmental disorder, OND)。也有研究根據(jù)兒童未來(lái)患自閉癥風(fēng)險(xiǎn)的程度分為高風(fēng)險(xiǎn)(High Risk, HR)和低風(fēng)險(xiǎn)(Low Risk, LR)組。從被試年齡范圍看, 涉及個(gè)體發(fā)展的各個(gè)階段, 篩查和診斷的最早時(shí)間基本上在3歲以內(nèi), 處于嬰兒期和幼兒期階段。自閉癥風(fēng)險(xiǎn)預(yù)測(cè)研究時(shí)間更早, 一般在1歲之前, 也有研究提前到孕產(chǎn)期和新生兒時(shí)期, 但這類研究很少。從被試來(lái)源看, 涉及美國(guó)、英國(guó)、法國(guó)、中國(guó)、伊朗、新西蘭、印度、意大利、韓國(guó)、西班牙、澳大利亞等數(shù)十個(gè)國(guó)家和地區(qū), 常見(jiàn)的數(shù)據(jù)采集渠道有自閉癥研究公開(kāi)數(shù)據(jù)庫(kù)(見(jiàn)表1)、醫(yī)院、特殊教育學(xué)?；蚩祻?fù)中心和少量的在線搜索引擎(如雅虎問(wèn)答, 谷歌搜索)等。不同研究包含的樣本數(shù)量差異很大, 從幾十到上千分布不均, 其中樣本量超過(guò)300人的研究數(shù)據(jù)基本上來(lái)自于公開(kāi)數(shù)據(jù)庫(kù)。自閉癥研究公開(kāi)數(shù)據(jù)庫(kù)是研究者為幫助不同學(xué)科、不同專業(yè)工作者開(kāi)展合作研究設(shè)置的開(kāi)放資源庫(kù), 其儲(chǔ)存的大規(guī)模數(shù)據(jù)為使用機(jī)器學(xué)習(xí)開(kāi)展自閉癥識(shí)別和診斷帶來(lái)極大便利。以使用頻率最高的ABIDE (Autism Brain Imaging Data Exchange )數(shù)據(jù)庫(kù)為例, 該數(shù)據(jù)庫(kù)整合全球多個(gè)實(shí)驗(yàn)室收集ASD和TD兒童以腦結(jié)構(gòu)和功能影像為主的研究數(shù)據(jù), 免費(fèi)向科研人員提供, 現(xiàn)已采集完成兩期數(shù)據(jù), 被試數(shù)量超過(guò)2200名, 網(wǎng)站注冊(cè)研究人員涵蓋北美洲、歐洲、非洲、亞洲等多個(gè)國(guó)家和地區(qū)。

表1 自閉癥研究公開(kāi)數(shù)據(jù)庫(kù)

機(jī)器學(xué)習(xí)技術(shù)的運(yùn)用突破了傳統(tǒng)回溯性研究的局限, 自閉癥識(shí)別和診斷的年齡得以在一定程度上縮短, 通過(guò)復(fù)雜運(yùn)算提取的隱藏規(guī)律還可以被應(yīng)用到孕產(chǎn)期和新生兒檢查中, 幫助及早發(fā)現(xiàn)高危因素, 為早期干預(yù)爭(zhēng)得時(shí)間, 但遺憾的是目前這類研究并不多見(jiàn)。除此之外, 機(jī)器學(xué)習(xí)技術(shù)使大范圍、多指標(biāo)、跨文化數(shù)據(jù)收集成為可能, 從獨(dú)立小樣本數(shù)據(jù)到跨地區(qū)的自閉癥公開(kāi)共享數(shù)據(jù)庫(kù), 有效提高了研究的外部效度, 也為更深層次自閉癥成因挖掘和成功預(yù)防提供依據(jù)。但應(yīng)該注意的是, 當(dāng)前的公開(kāi)數(shù)據(jù)庫(kù)多來(lái)自于單位或個(gè)人研究, 數(shù)據(jù)采集的目的和標(biāo)準(zhǔn)并不一致, 樣本信息整合缺乏同質(zhì)性, 訓(xùn)練集與測(cè)試集之間可能出現(xiàn)偏差, 模型的推廣問(wèn)題還需進(jìn)一步驗(yàn)證。

3.2 數(shù)據(jù)采集

樣本選定后就可以啟動(dòng)數(shù)據(jù)采集工作。近年來(lái)數(shù)據(jù)采集方式和類型因技術(shù)更新而更為多樣, 例如基于腦電信號(hào)和成像技術(shù)采集生理信號(hào)數(shù)據(jù)(Nogay & Adeli, 2020; Pagnozzi et al., 2018)、借助量表和觀察、訪談、眼動(dòng)技術(shù)等收集行為數(shù)據(jù)(Bone et al., 2015)。機(jī)器學(xué)習(xí)識(shí)別和診斷是基于可以反映自閉傾向的特征及各種神經(jīng)標(biāo)志物來(lái)進(jìn)行判斷, 目前主要有年齡、性別、種族等人口統(tǒng)計(jì)學(xué)資料, 目光對(duì)視、社會(huì)性微笑、模仿等典型癥狀表現(xiàn), 兒童個(gè)人及家庭病史等臨床資料, 以及功能性磁共振成像、結(jié)構(gòu)性磁共振成像、腦電圖、超聲波等生理信號(hào)數(shù)據(jù)(見(jiàn)表2), 以及不同數(shù)據(jù)類型組合而成的多模態(tài)數(shù)據(jù)。

3.2.1 基于影像分類

基于腦成像、超聲波成像、視網(wǎng)膜成像等生物標(biāo)記作為機(jī)器學(xué)習(xí)技術(shù)的輸入特征可以為自閉癥分類提供客觀證據(jù), 因此在研究中應(yīng)用最為廣泛(Abraham et al., 2017; Caly et al., 2021; Lai et al., 2020)。fMRI的高時(shí)間分辨率有助于對(duì)大腦特定區(qū)域皮層活動(dòng)的精準(zhǔn)定位。sMRI空間分辨率較高, 能夠客觀地記錄不同個(gè)體相同腦組織成分間的差異。有學(xué)者提出自閉癥分類研究中同時(shí)采用這兩種技術(shù)效果最好。如Raki?等(2020)采集了ABIDE-I數(shù)據(jù)庫(kù)中817名7～64歲被試sMRI和靜息態(tài)fMRI (resting state fMRI, rs-fMRI)影像, 通過(guò)Fisher算法對(duì)特征向量(feature vectors)降維, 降維后的特征向量作為分類器的輸入信息, 最后采用棧式自動(dòng)編碼器和多層感知機(jī)算法進(jìn)行識(shí)別, 準(zhǔn)確率最高可達(dá)85.06%。Sen等(2018)的研究也發(fā)現(xiàn)同時(shí)使用兩種技術(shù)作為特征輸入識(shí)別ASD和TD的效果最佳。但是也有研究顯示單獨(dú)采用fMRI或sMRI的影像也能夠?qū)崿F(xiàn)自閉癥個(gè)體的準(zhǔn)確識(shí)別(Eugenia et al., 2020; Katuwal et al., 2016; Plitt et al., 2015)。Guo等(2017)收集了ASD和TD的rs-fMRI數(shù)據(jù), 發(fā)現(xiàn)經(jīng)過(guò)特征選擇的深度神經(jīng)網(wǎng)絡(luò)分類準(zhǔn)確率可達(dá)86.36%。腦電造價(jià)較低、使用方便, 可以為自閉癥兒童識(shí)別提供腦神經(jīng)細(xì)胞電生理活動(dòng)反應(yīng)證據(jù)。有研究使用EEG技術(shù)實(shí)現(xiàn)了對(duì)3個(gè)月月齡(Dickinson et al., 2020)和3～14歲(Abdolzadegan et al., 2020; Grossi et al., 2017)自閉癥兒童識(shí)別, 表現(xiàn)良好。

表2 基于機(jī)器學(xué)習(xí)的自閉癥識(shí)別和診斷研究數(shù)據(jù)類型

3作者注：在傳統(tǒng)的診斷過(guò)程中, ADOS、ADI-R、、等主要用于自閉癥臨床診斷, 但是在本研究參考文獻(xiàn)中, 研究者也會(huì)將其用作篩查指標(biāo)參數(shù), 因此正文未做明確劃分。

3.2.2 基于量表/問(wèn)卷分類

傳統(tǒng)標(biāo)準(zhǔn)化測(cè)量工具匯聚了臨床專家豐富理論知識(shí)和扎實(shí)的實(shí)踐經(jīng)驗(yàn), 是自閉癥兒童篩查和診斷的“金標(biāo)準(zhǔn)”, 可以為機(jī)器學(xué)習(xí)模型構(gòu)建提供有力證據(jù)。基于傳統(tǒng)測(cè)驗(yàn)工具進(jìn)行識(shí)別和診斷的形式有兩種。第一種是將傳統(tǒng)標(biāo)準(zhǔn)化測(cè)驗(yàn)所得結(jié)果借助機(jī)器學(xué)習(xí)技術(shù)進(jìn)行數(shù)據(jù)分析, 探究分類準(zhǔn)確性。Abbas等在2018和2020年兩項(xiàng)研究中均將ADOS和ADI-R中常用的行為模塊作為分類器輸入信息, 提出了一種基于機(jī)器學(xué)習(xí)的多模塊自閉癥評(píng)估方法。該方法包含3個(gè)模塊, 一是家長(zhǎng)問(wèn)卷, 二是兒童家庭錄像中標(biāo)記的關(guān)鍵行為, 三是臨床問(wèn)卷。通過(guò)隨機(jī)森林、L2正則化邏輯回歸和梯度提升決策樹(shù)對(duì)18～72個(gè)月的兒童進(jìn)行分類, 發(fā)現(xiàn)當(dāng)同時(shí)使用模塊一和二, 并設(shè)置不確定性結(jié)果變量(Inconclusive Results Variant, ≤ 25%)時(shí), 分類準(zhǔn)確率高于98%, 三模塊聯(lián)合時(shí)準(zhǔn)確性達(dá)92%。即使是三模塊共用, 測(cè)試總時(shí)長(zhǎng)也僅在15分鐘左右。也有研究者基于AQ-10 (兒童/青少年/成人版)和幼兒自閉癥量化檢核表(Quantitative checklist for autism in Toddlers, Q-CHAT), 設(shè)計(jì)移動(dòng)篩查程序ASD Tests (Thabtah, 2019)和Autism AI (Shahamiri & Thabtah, 2020)對(duì)自閉癥兒童進(jìn)行預(yù)測(cè), ASD Tests識(shí)別準(zhǔn)確率最高可達(dá)99.85%, 時(shí)間僅需3～5分鐘。

第二種是機(jī)器學(xué)習(xí)算法通過(guò)對(duì)傳統(tǒng)標(biāo)準(zhǔn)化量表或問(wèn)卷的項(xiàng)目刪減, 篩選出最具代表性的問(wèn)題構(gòu)建分類器(Levy et al., 2017)。如Duda, Daniels和Wall (2016)通過(guò)邏輯回歸等算法發(fā)現(xiàn), 當(dāng)從ADI-R的93個(gè)條目中篩選出7個(gè)關(guān)鍵項(xiàng)目或單獨(dú)選用ADOS第2、3維度作為分類依據(jù)時(shí), 對(duì)自閉癥兒童分類準(zhǔn)確率達(dá)到了99%, 測(cè)試時(shí)間縮短到十幾分鐘。Duda和Ma等(2016)以及Duda等(2017)還以SRS量表中的5種典型行為和15個(gè)衍生問(wèn)題構(gòu)建分類器, 分類性能均達(dá)到預(yù)期(AUC > 93%, AUC = 89%)。值得注意的是, 近一半基于量表分類的文獻(xiàn)是同時(shí)采用兩種或兩種以上工具, 希望通過(guò)不同測(cè)驗(yàn)的融合, 獲得更佳分類效果。

3.2.3 基于行為分類

自閉癥兒童典型行為表現(xiàn)在發(fā)展早期就可以直接觀測(cè)到, 可以為分類模型構(gòu)建提供外顯指標(biāo)。社交障礙和重復(fù)刻板行為是ASD診斷的核心標(biāo)準(zhǔn), 可作為行為指標(biāo)分類的重要依據(jù)。Qiu等(2020)采用靜態(tài)面孔范式(Still-Face Paradigm, SFP)將HR-ASD和TD非社會(huì)性/社會(huì)性微笑、反抗行為、目光交流和積極社交參與的頻率和持續(xù)時(shí)間作為模型分類指標(biāo)。Negin等(2021)構(gòu)建了HR-ASD兒童擴(kuò)展性刻板行為數(shù)據(jù)庫(kù)(Expanded Stereotype Behavior Dataset, ESBD), 通過(guò)旋轉(zhuǎn)、拍打手臂、手部動(dòng)作和頭部撞擊4個(gè)動(dòng)作實(shí)現(xiàn)與TD的區(qū)分。眼動(dòng)儀可以記錄人在處理視覺(jué)信息時(shí)的眼動(dòng)軌跡特征, 眼動(dòng)行為是基于機(jī)器學(xué)習(xí)進(jìn)行自閉癥分類的最常用行為指標(biāo), 具體指標(biāo)包括注視時(shí)長(zhǎng)和注視頻率。Wan等(2019)采用SMI RED250便攜式眼動(dòng)跟蹤系統(tǒng), 記錄4～6歲的ASD和TD在觀看一段10秒鐘的女性演講視頻時(shí)對(duì)不同身體部位的注視時(shí)長(zhǎng), 并采用支持向量機(jī)構(gòu)建分類器, 發(fā)現(xiàn)兒童對(duì)演講者口部和身體的注視時(shí)長(zhǎng)差異可以有效區(qū)分ASD和TD (Acc- = 85.1%, Sen- = 86.5%, Spe- = 83.8%)。除此之外, 部分自閉癥群體存在運(yùn)動(dòng)障礙, 有研究顯示姿勢(shì)控制和上肢運(yùn)動(dòng)等指標(biāo)也可以作為早期分類的依據(jù), 其應(yīng)用準(zhǔn)確性可以達(dá)到90%以上(Li et al., 2020; Wedyan et al., 2019)。

3.2.4 基于多模態(tài)數(shù)據(jù)分類

“多模態(tài)”是指表征意義的符號(hào)系統(tǒng)或有效手段的多樣性(顧曰國(guó), 2013), 多模態(tài)數(shù)據(jù)則是指混合多種分類方法、分類指標(biāo)實(shí)現(xiàn)研究目的, 在本研究中則指將量表、影像、行為等單一模態(tài)的數(shù)據(jù)采集方式進(jìn)行整合, 同時(shí)采用兩種或兩種以上方法用于自閉癥分類模型構(gòu)建(Geng et al., 2020)。Kang等(2020)收集3～6歲ASD和TD的rs-fMRI數(shù)據(jù)和對(duì)本民族和其他種族人類面孔反應(yīng)的眼動(dòng)指標(biāo), 結(jié)合支持向量機(jī)的最小冗余?最大相關(guān)(minimum redundancy maximum relevance, MRMR)特征選擇方法對(duì)被試進(jìn)行分類, 發(fā)現(xiàn)腦電和眼動(dòng)數(shù)據(jù)同時(shí)作為分類器數(shù)值輸入時(shí), 分類準(zhǔn)確率達(dá)到85.44%, AUC超過(guò)93%, 遠(yuǎn)高于僅依照單一行為指標(biāo)分類66.9%的準(zhǔn)確率。Bosl等(2018)縱向追蹤高低風(fēng)險(xiǎn)ASD在3～36個(gè)月間的腦電數(shù)據(jù), 在36個(gè)月時(shí)采用ADOS測(cè)量參與者的自閉癥癥狀嚴(yán)重程度, 結(jié)果發(fā)現(xiàn)3個(gè)月大嬰兒的腦電數(shù)據(jù)可以預(yù)測(cè)其3歲時(shí)的ADOS得分。韓保禎(2018)也發(fā)現(xiàn)多模態(tài)信息融合的腦網(wǎng)絡(luò)數(shù)據(jù)對(duì)于ASD和TD分類效果最好。

機(jī)器學(xué)習(xí)應(yīng)用于自閉癥早期分類研究數(shù)據(jù)類型從單一模態(tài)擴(kuò)展到多模態(tài), 分類指標(biāo)類型越來(lái)越多樣; 采集方法從外顯的行為指標(biāo)到內(nèi)部神經(jīng)標(biāo)記, 技術(shù)也愈發(fā)客觀全面。數(shù)據(jù)采集方式和類型的豐富可以在源頭上助力模型構(gòu)建, 為最佳分類效果的獲得提供基礎(chǔ)。但我們也應(yīng)該看到, 目前數(shù)據(jù)采集還存在幾個(gè)問(wèn)題需要改善, 首先影像技術(shù)手段比較單一, 主要是fMRI和sMRI, ERP、fNIRS等技術(shù)在該領(lǐng)域的應(yīng)用較少。其次, 傳統(tǒng)診斷工具本身是經(jīng)過(guò)系統(tǒng)設(shè)計(jì)的, 每個(gè)模塊有固定目的, 不同機(jī)器學(xué)習(xí)方法中對(duì)于項(xiàng)目或模塊刪減標(biāo)準(zhǔn)不一, 得到的結(jié)果并不統(tǒng)一, 工具刪減的依據(jù)和標(biāo)準(zhǔn)缺乏規(guī)范性討論。傳統(tǒng)工具測(cè)量時(shí)長(zhǎng)是為了保證施測(cè)過(guò)程更為細(xì)致準(zhǔn)確, 機(jī)器學(xué)習(xí)將時(shí)間縮短到十幾分鐘, 是否有可能出現(xiàn)信息遺漏導(dǎo)致結(jié)果偏差也是一大問(wèn)題。最后, 基于典型行為的分類指標(biāo)過(guò)于廣泛, 基于DNA、RNA等遺傳物質(zhì)的研究卻并不多見(jiàn), 不同研究者關(guān)注的重點(diǎn)有很大差異, 如何在眾多指標(biāo)中選出最具代表性的一種或幾種指標(biāo)仍然值得商榷。這些都是我們?cè)趹?yīng)用機(jī)器學(xué)習(xí)實(shí)現(xiàn)自閉癥分類之前需要廣泛探討和論證的問(wèn)題。只有真正解決源頭性問(wèn)題, 才有可能將技術(shù)的優(yōu)勢(shì)真正落實(shí)在自閉癥群體身上。

4 基于機(jī)器學(xué)習(xí)的自閉癥早期識(shí)別和診斷研究算法與流程

4.1 機(jī)器學(xué)習(xí)算法

算法是模型建立的技術(shù)性要素。機(jī)器學(xué)習(xí)算法的分類非常廣泛(Hyde et al., 2019), 基于學(xué)習(xí)方式不同可分為有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí), 按照模型結(jié)構(gòu)的深度又分為傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。目前在自閉癥早期識(shí)別中的應(yīng)用以傳統(tǒng)算法為主, 包括支持向量機(jī)(Support Vector Machine, SVM)、決策樹(shù)(Decision Tree, DT)、K最近鄰(K-Nearest Neighbours, KNN)、樸素貝葉斯(Naive Bayes, NB)、回歸(Regression)、隨機(jī)森林(Random Forest, RF)和梯度提升決策樹(shù)(Gradient Boosted Decision Trees, GBDT)等(Ben-Sasson & Yom-Tov, 2016; Meera et al., 2020; Parikh et al., 2019)。一些改進(jìn)算法也有使用但數(shù)量不多, 如功能性隨機(jī)森林(Functional Random Forest, FRF)、改進(jìn)的蝗蟲(chóng)優(yōu)化算法(Modified Grasshopper Optimization Algorithm, MGOA)、多層模糊認(rèn)知圖(Multilayer Fuzzy Cognitive Map, MFCM)、ASD-DiagNet和規(guī)則性機(jī)器學(xué)習(xí)(Rules-Machine Learning, RML)等(Eslami et al., 2019; Feczko et al., 2017; Goel et al., 2020; Puerto et al., 2019; Thabtah & Peebles, 2019)。但近年來(lái)隨著技術(shù)的不斷發(fā)展, 人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)、深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks, DNN)、前饋神經(jīng)網(wǎng)絡(luò)(Feedforward Neural Network, fNN)和多層感知機(jī)(Multilayer Perceptrons, MLP)等深度學(xué)習(xí)新方法也逐漸受到了研究者的關(guān)注(Achenie et al., 2019; Eni et al., 2020; Raj & Masood, 2020)。

SVM是傳統(tǒng)機(jī)器學(xué)習(xí)代表性算法之一, 特別適用于二分類數(shù)據(jù)問(wèn)題(Jun et al., 2019; Li et al., 2018; Rrtico et al., 2016)。Liu等(2016)的研究采用徑向基核函數(shù)(Radial Basis Function kernel, RBF kernel)將非線性數(shù)據(jù)投影到高維空間, 使數(shù)據(jù)實(shí)現(xiàn)分離, 有效區(qū)分了ASD和TD, 準(zhǔn)確率達(dá)88.51%。但有研究顯示, SVM等傳統(tǒng)算法往往直接根據(jù)特征對(duì)樣本進(jìn)行分類, 不進(jìn)行或只進(jìn)行一次特征變換和選擇, 過(guò)于依賴上游提供的特征, 存在對(duì)缺失數(shù)據(jù)敏感和多分類問(wèn)題處理過(guò)擬合問(wèn)題, 在面對(duì)自閉癥這一成因和表現(xiàn)復(fù)雜群體時(shí), 效果存在局限(Namdeo & Singh, 2021; 楊劍鋒等, 2019)。深度學(xué)習(xí)無(wú)需借助上游特征, 可以將大量原始數(shù)據(jù)直接輸入模型, 通過(guò)對(duì)數(shù)據(jù)的多次變換檢測(cè)計(jì)算出抽象特征幫助分類(胡越等, 2019), 模型的分類性能和泛化能力也較傳統(tǒng)方法有所改善(Dubreuil et al., 2020; Li et al., 2019; Quaak et al., 2021)。Salari等(2019)以及Sewani和Kashef (2020)以rs-fMRI數(shù)據(jù)為分類指標(biāo), 運(yùn)用SVM、KNN、RF和CNN分別構(gòu)建分類器, 發(fā)現(xiàn)CNN (70.22%; 84.05%)的分類準(zhǔn)確率高于SVM (69.35%; 69.1%)、KNN (62.11%; 60.1%)和RF (59.94%; 65.3%)。Dong等(2021)以靜息態(tài)腦電圖為分類指標(biāo)構(gòu)建的CNN模型, 分類準(zhǔn)確率更是達(dá)到了92.63%。Yang (2020)的研究也得到了同樣的結(jié)論。此外人工神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的基本組成部分, 也被證明具有較高的分類準(zhǔn)確度。Grossi等(2017)基于ANN搭建了一種新型分類系統(tǒng), 將多比例尺分級(jí)組織圖與時(shí)間壓縮的隱函數(shù)(Multi-Scale Ranked Organizing Map, MS- ROM/Implicit Function as Squashing Time, I-FAST)算法相結(jié)合, 以腦電圖像為判別指標(biāo), 發(fā)現(xiàn)該算法對(duì)ASD預(yù)測(cè)準(zhǔn)確率高達(dá)100%。但也有研究顯示, 傳統(tǒng)算法可以通過(guò)增加分類器數(shù)量進(jìn)行自我優(yōu)化。隨機(jī)森林將bootstrap再抽樣和決策樹(shù)算法相結(jié)合, 構(gòu)建樹(shù)型分類器集合(曹正鳳, 2014), 分類速度、準(zhǔn)確性和抗噪性能明顯高于單一分類器算法, 還可以在一定程度上減輕過(guò)擬合問(wèn)題。Wingfield等(2020)開(kāi)發(fā)的ASD篩查程序, 發(fā)現(xiàn)RF相較單一的NB、DT分類效果明顯優(yōu)化, AUC達(dá)到98%。

機(jī)器學(xué)習(xí)算法無(wú)需明確編碼, 可以自動(dòng)檢測(cè)數(shù)據(jù)中存在的模式, 處理復(fù)雜的非線性數(shù)據(jù), 相比傳統(tǒng)識(shí)別和診斷方法具有強(qiáng)大的功能優(yōu)勢(shì)。近年來(lái)在ASD分類研究中的應(yīng)用還呈現(xiàn)出從傳統(tǒng)算法向深度學(xué)習(xí)過(guò)渡的趨勢(shì), 診斷效率大幅提升。但目前超過(guò)75%的研究使用的仍是傳統(tǒng)機(jī)器學(xué)習(xí)算法, 對(duì)于深度學(xué)習(xí)的關(guān)注有待提高。此外當(dāng)前研究中算法眾多, 不同研究者使用的算法存在很大差異, 同一算法對(duì)不同對(duì)象施測(cè)結(jié)果也有不同, 對(duì)于最佳算法的爭(zhēng)議一直沒(méi)有停止。因此未來(lái)研究應(yīng)繼續(xù)深入探討如何找出最佳算法, 更大程度發(fā)揮技術(shù)的價(jià)值。

4.2 機(jī)器學(xué)習(xí)效果評(píng)價(jià)

效果評(píng)價(jià)是模型構(gòu)建的指揮棒和導(dǎo)航塔。數(shù)據(jù)收集和算法選擇后, 需要對(duì)模型有效性加以驗(yàn)證。機(jī)器學(xué)習(xí)效果評(píng)價(jià)一般是以專業(yè)醫(yī)師診斷為校標(biāo), 計(jì)算相關(guān)系數(shù)或成功預(yù)測(cè)比例得到的。根據(jù)原始二分類數(shù)據(jù)特征, 一般將分類效果分為正類(Positive)和負(fù)類(Negative), 其中真陽(yáng)性和真陰性是預(yù)測(cè)良好中的正類和負(fù)類, 假陰性和假陽(yáng)性是預(yù)測(cè)不良中的正類和負(fù)類(見(jiàn)表3)。具體的模型性能評(píng)價(jià)指標(biāo)包括：(1)準(zhǔn)確率(Accuracy, Acc-), 是指分類正確的樣本數(shù)占總樣本數(shù)的比例。通常來(lái)說(shuō), 準(zhǔn)確率越高, 分類效果越好。計(jì)算公式為Acc- = (TP + TN) / (TP + FN + FP + TN); (2)敏感度(Sensitivity, Sen-), 指正類中自閉癥兒童分類正確的比例, 又稱召回率(recall)、真陽(yáng)性率(True Positive Rate, TPR)。計(jì)算公式為Sen- = TP / (TP + FN); (3)特異度(Specificity, Spe-), 指負(fù)類中自閉癥兒童分類正確的比例, 又稱真陰性率(True Negative Rate, TNR)。計(jì)算公式為Spe- = TN / (FP + TN); (4)接收者操作特性曲線(operating characteristic curve, ROC曲線), 是一種以假陽(yáng)性率為X軸, 以真陽(yáng)性率為Y軸組成的圖形, 主要通過(guò)計(jì)算ROC曲線下面的面積(Area Under ROC Curve, AUC/AUROC)對(duì)分類性能進(jìn)行比較。一般來(lái)說(shuō), AUC/AUROC越大, 分類效果越好。除上述4種常用指標(biāo)外, 部分研究還采用了陽(yáng)性預(yù)測(cè)值(Positive Predictive value, PPV)、陰性預(yù)測(cè)值(Negative Predictive value, NPV)、錯(cuò)誤率(false discovery rate /error rate, FDR)等指標(biāo)來(lái)考察分類器效果。

表3 ASD二分類數(shù)據(jù)的混淆矩陣

4.3 機(jī)器學(xué)習(xí)流程

邏輯清晰、完備有序的數(shù)據(jù)處理流程是模型有效落實(shí)的顯性表現(xiàn)。機(jī)器學(xué)習(xí)應(yīng)用于ASD早期識(shí)別和診斷大致經(jīng)過(guò)以下4個(gè)步驟: 首先是收集數(shù)據(jù)階段, 也就是選擇ASD分類所需影像、量表、行為等數(shù)據(jù)指標(biāo)。其次是原始數(shù)據(jù)處理階段。該階段主要目的是實(shí)現(xiàn)特征選擇, 通過(guò)過(guò)采樣、欠采樣等方法對(duì)重復(fù)記錄、缺失值和不平衡數(shù)據(jù)進(jìn)行降噪, 降低計(jì)算復(fù)雜性和提高分類精度, 形成分類所需數(shù)據(jù)集(Rahman et al., 2020)。然后就進(jìn)入自閉癥和對(duì)照組分類階段。該階段通常會(huì)采用k折交叉驗(yàn)證將整個(gè)數(shù)據(jù)集隨機(jī)分為k份, 其中1份作為測(cè)試集(testing set), k?1份用于訓(xùn)練, 其中訓(xùn)練的數(shù)據(jù)又可以隨機(jī)分為訓(xùn)練集(training set)和驗(yàn)證集(validation set), 這樣交叉驗(yàn)證k次, 每一份都可以作為測(cè)試集進(jìn)行測(cè)試, 平均k次的結(jié)果, 得到最終結(jié)果。具體流程又可簡(jiǎn)述為：第一, 輸入訓(xùn)練集, 采用機(jī)器學(xué)習(xí)算法進(jìn)行訓(xùn)練, 構(gòu)建ASD分類模型; 第二, 將驗(yàn)證集輸入模型中, 比較模型預(yù)測(cè)結(jié)果和“自閉癥”標(biāo)記數(shù)據(jù)的區(qū)別, 驗(yàn)證模型分類準(zhǔn)確性; 第三, 測(cè)試集測(cè)評(píng)模型分類性能。最后獲取最佳分類模型。Epalle等(2021)構(gòu)建的DNN模型就是遵從了這一程序, 借助ABIDE-I中的腦成像數(shù)據(jù)區(qū)分ASD和TD。數(shù)據(jù)處理階段利用過(guò)采樣進(jìn)行特征選擇, 使CC200集增加19900個(gè)特征, AAL90集增加4005個(gè)特征, DOS160集增加12720個(gè)特征; 在分類階段, 采用10折交叉驗(yàn)證(10-fold cross- validation)、5折分層交叉驗(yàn)證(5-folds stratified cross-validation)和留一法(Leave-one-site-out)構(gòu)建分類器和評(píng)估分類結(jié)果, 在每一部分?jǐn)?shù)據(jù)中, 設(shè)置70%用于訓(xùn)練, 20%用于驗(yàn)證, 10%用于測(cè)試。最后模型驗(yàn)證結(jié)果顯示該分類器對(duì)兩組被試的分類準(zhǔn)確率可達(dá)78.07%。

機(jī)器學(xué)習(xí)應(yīng)用于ASD兒童分類自動(dòng)分配訓(xùn)練集和測(cè)試集, 經(jīng)過(guò)過(guò)濾和反復(fù)檢測(cè)選擇和提取數(shù)據(jù)特征, 發(fā)現(xiàn)數(shù)據(jù)隱藏規(guī)律, 從來(lái)源上減少了數(shù)據(jù)偏差, 增加了研究的內(nèi)部效度。模型有效性的驗(yàn)證范圍涵蓋Acc-、Sen-、Spe-、AUC、PPV和NPV等多個(gè)維度, 越來(lái)越注重對(duì)于模型的客觀測(cè)量, 也在一定程度上增加了研究的外部驗(yàn)證。但是通過(guò)文獻(xiàn)匯總也能夠看出, 目前研究中采用的分類指標(biāo)組合大相徑庭, 指標(biāo)報(bào)告的數(shù)量參差不齊, 缺乏較為一致、普遍被大家認(rèn)可的分類效果指標(biāo)體系。另外, Falkmer等(2013)認(rèn)為自閉癥分類模型的準(zhǔn)確率應(yīng)至少達(dá)到或高于80%才可以被視為達(dá)到了要求, 但當(dāng)前部分研究的準(zhǔn)確率甚至不足60%, 距離分類準(zhǔn)確率的要求還相差不少(Bussu et al., 2018)。后續(xù)研究如何從技術(shù)層面上繼續(xù)優(yōu)化和規(guī)范這些問(wèn)題, 還需要更深入的探討。

5 基于機(jī)器學(xué)習(xí)的自閉癥早期識(shí)別和診斷研究應(yīng)用

5.1 預(yù)測(cè)自閉癥患病風(fēng)險(xiǎn)因素

自閉癥作為一種病因不明的神經(jīng)發(fā)育障礙, 僅僅依靠常規(guī)的產(chǎn)前檢查無(wú)法達(dá)到預(yù)防目的。機(jī)器學(xué)習(xí)技術(shù)可以通過(guò)廣泛收集影像和生物指標(biāo)信息, 充分挖掘和匯總信息, 計(jì)算得出具備預(yù)測(cè)功能的數(shù)據(jù)模型, 實(shí)現(xiàn)對(duì)自閉癥患病風(fēng)險(xiǎn)的有效預(yù)測(cè)(劉笑晗等, 2022), 為自閉癥病因探索與綜合診療提供新的方向。

孕產(chǎn)期環(huán)境和母體自身健康因素都有可能影響胚胎發(fā)育質(zhì)量, 產(chǎn)前對(duì)于孕婦(尤其是高風(fēng)險(xiǎn)孕婦)和胎兒的醫(yī)學(xué)檢查與監(jiān)護(hù)可能有助于發(fā)現(xiàn)自閉癥風(fēng)險(xiǎn)因素。機(jī)器學(xué)習(xí)可以通過(guò)對(duì)超聲波檢查、羊膜腔穿刺、X射線檢查、絨毛細(xì)胞檢查、胎兒鏡檢查等收集的影像信息和生物標(biāo)記物信息, 推測(cè)ASD患病影響因素。如Caly等(2021)通過(guò)收集胎兒的超聲波測(cè)量值(包括股骨長(zhǎng)度、頭圍、腹圍等)和生物學(xué)特征(如IgG巨細(xì)胞病毒水平等)預(yù)測(cè)新生兒患自閉癥的風(fēng)險(xiǎn), 采用最小絕對(duì)收縮和選擇算法(Least Absolute Shrinkage and Selection Operator, LASSO), DT和極端梯度提升(eXtreme Gradient Boosting, XGBoost)算法構(gòu)建分類模型, 研究結(jié)果顯示模型陽(yáng)性預(yù)測(cè)值可達(dá)77%。母體免疫性疾病家族史、母體對(duì)巨細(xì)胞病毒的免疫力、孕晚期胎兒股骨長(zhǎng)度、孕晚期胎兒白細(xì)胞數(shù)量、新生兒心率和性別等10項(xiàng)指標(biāo)可以作為ASD預(yù)測(cè)標(biāo)記物?；蚴菦Q定生命健康的內(nèi)在因素?；驒z測(cè)可以提取細(xì)胞中的DNA分子信息, 確定新生兒基因類型和缺陷。機(jī)器學(xué)習(xí)技術(shù)通過(guò)梳理復(fù)雜的遺傳信息, 可以幫助發(fā)現(xiàn)與自閉癥患病有關(guān)的遺傳因素。Bahado-Singh等(2019)利用450k甲基化芯片(Infinium HumanMethylation450 BeadChip)檢測(cè)ASD和TD新生兒血斑中的白細(xì)胞DNA, 發(fā)現(xiàn)在胞嘧啶基因中CpG位點(diǎn)甲基化異常顯著, 預(yù)測(cè)結(jié)果AUC為100%。同時(shí)研究者還發(fā)現(xiàn)自閉癥在EIF4E、FYN、SHANK1、VIM、LMX1B、GABRB1、SDHAP3和PACS2基因中存在表觀遺傳調(diào)控障礙。Oh等(2017)以及Sekaran和Sudha (2020)研究也證明外周血基因表達(dá)譜(gene expression profiles)和FAM104B、CCNDBP1、H1F0、ZER1等生物標(biāo)記能夠?qū)崿F(xiàn)對(duì)ASD個(gè)體的分類和預(yù)測(cè), 其準(zhǔn)確率分別可達(dá)93.8%和97.62%。還有學(xué)者報(bào)告長(zhǎng)鏈非編碼RNA (long non-coding RNA, lncRNA)也能夠用于預(yù)測(cè)新生兒罹患ASD風(fēng)險(xiǎn)(AUC = 83.9%; G?k, 2018)。Qiu等(2020)基于SVM構(gòu)建的預(yù)測(cè)模型顯示, 一碳單位代謝(folate-dependent one carbon metabolism, FOCM)、轉(zhuǎn)硫作用(transsulfuration, TS)中的多種代謝物以及母體孕前和孕期攝入的葉酸含量也可以作為新生兒自閉癥風(fēng)險(xiǎn)預(yù)測(cè)的指標(biāo), 該模型預(yù)測(cè)的準(zhǔn)確率達(dá)到96%以上。借助機(jī)器學(xué)習(xí)對(duì)HR-ASD家族嬰兒的大腦功能連接磁共振成像(functional connectivity Magnetic Resonance Imaging, fcMRI)進(jìn)行追蹤研究, 將ASD風(fēng)險(xiǎn)預(yù)測(cè)年齡提前到了胎兒出生后6個(gè)月(Emerson et al., 2017)。

5.2 篩查高危自閉癥

早期自閉癥篩查可以在大范圍人群中發(fā)現(xiàn)高危兒童, 對(duì)于改善自閉癥兒童社會(huì)適應(yīng)、預(yù)防繼發(fā)性發(fā)育障礙和減輕家庭與社會(huì)負(fù)擔(dān)具有重要意義(陳光華等, 2022)。如果篩查工作可以直接由家長(zhǎng)或其他熟悉兒童的人員操作, 就可以更早發(fā)現(xiàn)潛在ASD患者, 避免錯(cuò)失干預(yù)時(shí)機(jī)。Thabtah等(2018)借助機(jī)器學(xué)習(xí)模型簡(jiǎn)化傳統(tǒng)量表(CHAT、AQ), 開(kāi)發(fā)了一款適合ASD篩查的移動(dòng)應(yīng)用程序——ASD Tests, 該工具可以在手機(jī)端免費(fèi)下載使用, 適用范圍涵蓋嬰幼兒期(1～3歲)、兒童期(4～11歲)、青少年期(12～16歲)和成人期(17歲之后)四個(gè)階段, 每個(gè)階段僅有10道測(cè)試題, 測(cè)試時(shí)間在3～5分鐘以內(nèi), 非專業(yè)人員也能輕松操作。研究發(fā)現(xiàn)該程序?qū)τ趦和?、青少年和成人階段HR-ASD的篩查靈敏度、特異性和準(zhǔn)確率均高于95%, 分類性能良好(Thabtah et al., 2019)。Raj和Masood (2020)基于個(gè)體性別、種族、是否先天黃疸等21項(xiàng)特征構(gòu)建自閉癥篩查模型, 發(fā)現(xiàn)CNN在兒童、青少年和成人群體中篩查的準(zhǔn)確率分別可以達(dá)到98.30%、96.88%和99.53%, 能夠快速地在大范圍人群中找出自閉癥患者。除此之外, 神經(jīng)影像數(shù)據(jù)和行為表現(xiàn)作為風(fēng)險(xiǎn)識(shí)別重要的內(nèi)外部參照, 也被廣泛應(yīng)用于篩查或診斷模型的構(gòu)建, 取得了令人滿意的效果(Dickinson et al., 2020; Lai et al., 2020; Qiu et al., 2020; Raki? et al., 2020)。

5.3 輔助診斷自閉癥

診斷是對(duì)篩查出的高危兒童做更全面細(xì)致的專業(yè)檢測(cè)。傳統(tǒng)診斷方法通過(guò)觀察兒童外在行為和家長(zhǎng)報(bào)告方式獲取數(shù)據(jù), 易受評(píng)估人員主觀性和報(bào)告者回憶偏差影響。診斷過(guò)程中存在的等待周期長(zhǎng)、誤診等問(wèn)題也阻礙了后續(xù)臨床干預(yù)的實(shí)施。機(jī)器學(xué)習(xí)輔助專業(yè)人員診斷可以納入大量客觀分類指標(biāo), 在一定程度上減少主觀施測(cè)弊端, 還能夠減少耗時(shí), 降低等待成本。社交機(jī)器人是ASD智能診斷中的常用工具, 其設(shè)計(jì)有趣親切, 通過(guò)豐富的面部和肢體語(yǔ)言與受測(cè)者溝通, 可以減少自閉癥社交恐懼(黃碧玉, 2018)。Ramírez- Duque等(2019)采用RGBD傳感器采集HR-ASD和TD幼兒與ONO社交機(jī)器人互動(dòng)的行為特征, 并利用CNN構(gòu)建兩類兒童面孔識(shí)別模型, 輔助專業(yè)人員對(duì)ASD兒童進(jìn)行診斷, 發(fā)現(xiàn)該模型可以實(shí)現(xiàn)ASD的自動(dòng)化識(shí)別, 花費(fèi)時(shí)間不超過(guò)40分鐘, 準(zhǔn)確性與臨床專家診斷結(jié)果基本一致。Diehl等(2012)也發(fā)現(xiàn)社交機(jī)器人可以作為自閉癥診斷和干預(yù)的有效工具。影像和傳統(tǒng)量表也為機(jī)器學(xué)習(xí)輔助診斷提供了有效證據(jù)(Bone et al., 2016)。Tariq等(2018)以ADOS和ADI-R為指標(biāo)構(gòu)建的模型診斷準(zhǔn)確率高于94%, 靈敏度也超過(guò)90%。Abdolzadegan等(2020)對(duì)3～12歲的ASD和TD腦電圖進(jìn)行分析, 基于SVM和KNN建立診斷模型, 準(zhǔn)確率達(dá)到94.68%。

5.4 管理評(píng)估和干預(yù)過(guò)程

自閉癥早期預(yù)測(cè)、識(shí)別和診斷的最終目的是為了給兒童提供行之有效的早期干預(yù)。收集自閉癥群體評(píng)估和干預(yù)過(guò)程信息, 追蹤干預(yù)施行效果, 可以為確定兒童生理病理機(jī)制和治療靶點(diǎn)提供思路。然而傳統(tǒng)的篩查、診斷、干預(yù)和預(yù)后再評(píng)是幾個(gè)相對(duì)獨(dú)立和分散的環(huán)節(jié), 難以對(duì)信息進(jìn)行比較系統(tǒng)的收集和整合, 也就更難發(fā)現(xiàn)和把握數(shù)據(jù)的內(nèi)在趨勢(shì)和隱藏特征, 造成了數(shù)據(jù)的浪費(fèi)?；跈C(jī)器學(xué)習(xí)的分類一大優(yōu)勢(shì)還在于對(duì)數(shù)據(jù)的有效利用, 在原有評(píng)估和干預(yù)數(shù)據(jù)基礎(chǔ)上構(gòu)建一體化智能評(píng)估和干預(yù)管理系統(tǒng), 增強(qiáng)對(duì)自閉癥兒童診斷和干預(yù)的跟蹤式監(jiān)控(Koumpouros & Kafazis, 2019)。Cognoa (Cognoa ASD Screener/ Cognoa ASD Diagnosis Aid)是一款以機(jī)器學(xué)習(xí)技術(shù)為支撐的新型ASD評(píng)估程序, 兼具篩查、診斷和風(fēng)險(xiǎn)預(yù)測(cè)功能。該程序主要服務(wù)對(duì)象為嬰幼兒至學(xué)齡前期自閉癥兒童(18個(gè)月～5歲), 需要家長(zhǎng)完成一份包含15道題目的問(wèn)卷, 并上傳兩個(gè)以上時(shí)長(zhǎng)1～2分鐘的兒童日常生活視頻(如用餐、游戲時(shí)間), 資料上傳完成后, 后臺(tái)自動(dòng)評(píng)分輸出風(fēng)險(xiǎn)值, 整個(gè)過(guò)程約為15分鐘(Kanne et al., 2018), 每次測(cè)評(píng)結(jié)束程序會(huì)自動(dòng)保存結(jié)果。2021年6月, 美國(guó)食品和藥物監(jiān)管局(Food and Drug Administration, FNA)對(duì)該程序應(yīng)用于自閉癥患者診斷的可行性進(jìn)行核定, 發(fā)現(xiàn)來(lái)自14家醫(yī)療中心的425名兒童程序診斷結(jié)果與專家結(jié)論基本完全一致, 獲批準(zhǔn)上市使用?；跈C(jī)器學(xué)習(xí)技術(shù)建立的自閉癥圖片評(píng)估智能管理系統(tǒng), 還可以記錄ASD從早期篩查到干預(yù)治療過(guò)程中兒童能力變化數(shù)據(jù), 獲得兒童預(yù)后再評(píng)信息(Perera et al., 2017)。人工神經(jīng)網(wǎng)絡(luò)支持的專家系統(tǒng), 甚至可以在無(wú)預(yù)先編程設(shè)定的情況下機(jī)智應(yīng)對(duì)和解決不確定性問(wèn)題, 為自閉癥診斷和干預(yù)提供實(shí)時(shí)建議, 是臨床評(píng)估中的“得力助手” (靳宇倡等, 2022; Negin et al., 2021; Rahman et al., 2020)。

綜上所述, 機(jī)器學(xué)習(xí)在自閉癥分類中的應(yīng)用涵蓋病因分析, 患病風(fēng)險(xiǎn)預(yù)測(cè), 潛在危機(jī)人群篩查, 輔助診斷和智能病程管理。這些工作的開(kāi)展有助于增加從業(yè)人員對(duì)自閉癥病因病程信息的掌握, 實(shí)現(xiàn)篩查、診斷、干預(yù)和預(yù)后再評(píng)的動(dòng)態(tài)化管理, 節(jié)約長(zhǎng)期隨訪所需的人力物力資源, 更快找出眾多個(gè)性因素中的“共性”, 提高診療的有效性,這也是我們未來(lái)臨床診療可以借鑒的一個(gè)思路。

6 機(jī)器學(xué)習(xí)應(yīng)用于自閉癥兒童識(shí)別和診斷的優(yōu)勢(shì)與不足

6.1 優(yōu)勢(shì)

目前機(jī)器學(xué)習(xí)技術(shù)已經(jīng)應(yīng)用于自閉癥兒童早期預(yù)測(cè)、篩查和診斷, 其客觀性、便捷性和有效性經(jīng)過(guò)了較為廣泛的驗(yàn)證, 分類性能在不斷的優(yōu)化和完善中也表現(xiàn)越來(lái)越好, 部分智能工具也開(kāi)始推廣應(yīng)用。相較于經(jīng)驗(yàn)診斷和傳統(tǒng)測(cè)量, 機(jī)器學(xué)習(xí)的融入體現(xiàn)了人工智能技術(shù)的一些優(yōu)勢(shì), 集中表現(xiàn)在4個(gè)方面。第一, 機(jī)器學(xué)習(xí)獲取和整理數(shù)據(jù)指標(biāo)的能力更強(qiáng), 有助于構(gòu)建多模態(tài)分類模型。傳統(tǒng)分類方法主要是通過(guò)對(duì)外顯行為指標(biāo)的觀測(cè)得出結(jié)論, 參考的變量有限, 機(jī)器學(xué)習(xí)可以集合多種類型、不同觀測(cè)方法獲得的數(shù)據(jù)指標(biāo), 兼顧內(nèi)在和外部影響因素, 減少主觀誤差, 提高預(yù)測(cè)和識(shí)別結(jié)果的全面性和客觀性。此外, 機(jī)器學(xué)習(xí)模型還能夠跟蹤評(píng)估和診斷過(guò)程管理, 增加了數(shù)據(jù)的利用率。第二, 機(jī)器學(xué)習(xí)降低了預(yù)測(cè)和識(shí)別的時(shí)間成本, 提高了測(cè)評(píng)效率, 減輕診斷人員壓力。分類模型的建立一方面可以通過(guò)大范圍篩查, 快速發(fā)現(xiàn)高風(fēng)險(xiǎn)自閉癥患者, 盡早引起家長(zhǎng)和其他相關(guān)人員的警覺(jué); 另一方面還可以通過(guò)減少測(cè)試項(xiàng)目、縮短評(píng)測(cè)流程等有效壓縮診斷時(shí)間, 降低施測(cè)的等待時(shí)間, 減少專業(yè)醫(yī)師壓力。第三, 機(jī)器學(xué)習(xí)增加了研究的內(nèi)外部效度。機(jī)器學(xué)習(xí)的建模過(guò)程和計(jì)算原理區(qū)別于傳統(tǒng)方法, 可以自動(dòng)將原始數(shù)據(jù)分為訓(xùn)練集和驗(yàn)證集, 無(wú)需數(shù)據(jù)生成模型和參數(shù)估計(jì)直接輸入性能指標(biāo), 模型還可以隨樣本數(shù)量累積不斷優(yōu)化, 提升了研究的內(nèi)部效度和外部推廣力, 也有利于加速模型應(yīng)用于實(shí)踐的速度。第四, 機(jī)器學(xué)習(xí)可自動(dòng)提取關(guān)鍵特征, 幫助建立風(fēng)險(xiǎn)預(yù)警機(jī)制。機(jī)器學(xué)習(xí)可以捕捉肉眼無(wú)法觀測(cè)到的細(xì)微表情或身勢(shì)動(dòng)作變化, 減少關(guān)鍵指標(biāo)的遺漏, 還適用于非線性數(shù)據(jù), 可以從紛繁復(fù)雜的數(shù)據(jù)中心抽絲剝繭, 更適合分析ASD這一類成因不明、結(jié)構(gòu)復(fù)雜的疾病, 降低癥狀惡化的可能。尤其是對(duì)于嬰幼兒和學(xué)齡前期兒童, 早發(fā)現(xiàn)、早干預(yù)能夠發(fā)揮最大效益, 幫助這些孩子及其家庭獲得更高的生活質(zhì)量, 減少因障礙引發(fā)的各種社會(huì)適應(yīng)問(wèn)題。

6.2 不足與展望

雖然機(jī)器學(xué)習(xí)在ASD兒童識(shí)別和診斷中具有一定的方法學(xué)優(yōu)勢(shì), 相關(guān)研究成果也逐步增多, 但距離大范圍應(yīng)用還有一定距離, 其面臨的具體問(wèn)題與可能的解決方法可總結(jié)為以下三個(gè)方面。

首先, 缺少孕產(chǎn)婦和新生兒自閉癥病源追蹤研究。遺傳學(xué)研究結(jié)果表明, 常見(jiàn)的遺傳變化, 如基因突變、易位、倒位和拷貝數(shù)變異等都可能與ASD的產(chǎn)生存在一定程度的相關(guān), 患有ASD的新生兒拷貝數(shù)變異頻率明顯高于TD (Sanders et al., 2011)。也有研究報(bào)告ASD可能是由影響細(xì)胞增殖、遷移和許多其他基本過(guò)程的致病事件序列導(dǎo)致(Caly et al., 2021)。對(duì)自閉癥兒童大腦的尸檢報(bào)告也顯示其前額葉皮層神經(jīng)元異常過(guò)剩, 還存在腦過(guò)度生長(zhǎng)和巨腦問(wèn)題(Tyzio et al., 2014)。Rahman等(2020)還發(fā)現(xiàn)父母的年齡、家庭病史也會(huì)增加新生兒患自閉癥的風(fēng)險(xiǎn)。這些證據(jù)表明自閉癥受遺傳因素的影響, 且這些病癥在個(gè)體胚胎形成和發(fā)展時(shí)期可能就已經(jīng)出現(xiàn)(Caly et al., 2021)。除遺傳因素外, 孕產(chǎn)婦暴露于危險(xiǎn)環(huán)境也是自閉癥患病的易感因素之一。Choi等(2016)研究發(fā)現(xiàn), ASD發(fā)病率增加與母體病毒或微生物感染、發(fā)熱以及免疫系統(tǒng)疾病有關(guān)。在孕期服用藥物, 特別是丙戊酸鈉(sodium valproate), 和維生素缺乏可能導(dǎo)致胎兒罹患自閉癥。剖腹產(chǎn)、早產(chǎn)和新生兒并發(fā)癥等問(wèn)題也會(huì)增加ASD的發(fā)病比例(Cloarec et al., 2019)。這提示我們個(gè)體生命早期的內(nèi)外部環(huán)境是導(dǎo)致自閉癥出現(xiàn)的關(guān)鍵因素。

理清自閉癥個(gè)體發(fā)展初期病理、病因和病程因素可能會(huì)為患病風(fēng)險(xiǎn)預(yù)測(cè)和防控提供新的契機(jī), 但遺憾的是當(dāng)前文獻(xiàn)研究中還很少有借助孕產(chǎn)期數(shù)據(jù)進(jìn)行自閉癥識(shí)別的研究。當(dāng)前文獻(xiàn)中僅有的兩篇, Caly等(2021)采集了孕產(chǎn)婦從孕早期到胎兒出生后1天內(nèi)常規(guī)生物標(biāo)記物和超聲測(cè)量值來(lái)預(yù)測(cè)自閉癥, 并與兒童4～5歲時(shí)診斷結(jié)果進(jìn)行比較, 預(yù)測(cè)準(zhǔn)確率達(dá)到了77%。Bahado-Singh等(2019)采集249種新生兒(出生24～79小時(shí))白細(xì)胞表觀基因組標(biāo)志物, 成功預(yù)測(cè)了后期被診斷為自閉癥的兒童(Sen- = 97.5%, Spe- = 100% )。這啟示我們?nèi)绻茉谂咛バ纬珊托律鷥喊l(fā)展初期, 廣泛收集孕產(chǎn)婦及其家庭成員健康信息, 關(guān)注遺傳和環(huán)境中可能的致畸因素, 尤其是較為穩(wěn)定的生物標(biāo)記物, 借助機(jī)器學(xué)習(xí)模型龐大的數(shù)據(jù)梳理功能提取其中的共性因子, 是否就有可能逐步擺脫“被動(dòng)等候”的局面, 變?yōu)椤爸鲃?dòng)防御”。因此未來(lái)研究可在遵循倫理原則的基礎(chǔ)上, 嘗試借助孕期篩查和新生兒體檢等環(huán)節(jié)建立兒童生理病理信息數(shù)據(jù)庫(kù), 收集兒童(尤其是高危家族兒童)從胚胎期到出生期間的過(guò)程性信息, 也可借鑒美國(guó)兒科學(xué)會(huì)的做法, 在確保參與者知情同意的前提下于固定時(shí)間段(如出生時(shí)、出生后8個(gè)月、18個(gè)月等)進(jìn)行長(zhǎng)期追蹤研究(Wan et al., 2019), 獲取自閉癥個(gè)體發(fā)展初期病源的原始性資料, 歸納可能的風(fēng)險(xiǎn)因素, 及早規(guī)避和預(yù)防這一障礙的出現(xiàn)。

其次, 缺少標(biāo)準(zhǔn)化模型分類數(shù)據(jù)體系。機(jī)器學(xué)習(xí)模型為海量信息處理提供了可能性, 但技術(shù)本身對(duì)于數(shù)據(jù)的包容也可能成為一把雙刃劍?，F(xiàn)有機(jī)器學(xué)習(xí)分類指標(biāo)雖然形式多樣, 但內(nèi)容繁雜, 缺少清晰明確的分類依據(jù)和系統(tǒng)化、規(guī)則化的應(yīng)用效果分析, 測(cè)評(píng)結(jié)果的可驗(yàn)證程度不高。以基于行為的單一模態(tài)分類指標(biāo)為例, 研究者所使用的具體指標(biāo)包含了重復(fù)刻板行為、反抗行為、自我傷害行為、精細(xì)/粗大動(dòng)作、社會(huì)交往行為、社會(huì)性微笑、共同注意、模仿、眼神變化、表達(dá)性和接受性語(yǔ)言等數(shù)十種行為表現(xiàn)。不同行為表現(xiàn)又可以細(xì)化為更微觀的分類指標(biāo), 僅眼神變化一項(xiàng)就可以分化出眼神檢索(eye scanning)、眼神追隨(eye tracking)和眼神接觸(eye touching/contacting)等多種范式。但是即使是同一行為表現(xiàn), 得出的結(jié)論也不完全一致(Shic et al., 2014; Wan et al., 2019)?；诹勘淼姆诸愐渤霈F(xiàn)了這一問(wèn)題, 研究文獻(xiàn)中包含多種分類工具, 不同工具蘊(yùn)含的信息和施測(cè)對(duì)象也不一致。即使是同一測(cè)驗(yàn)工具, 項(xiàng)目的篩選標(biāo)準(zhǔn)與結(jié)論也不完全統(tǒng)一(Emerson et al., 2017)?；诙嗄B(tài)的分類模型, 在融合多元信息過(guò)程中混雜了更多與測(cè)評(píng)關(guān)聯(lián)程度不高的信息, 對(duì)測(cè)試準(zhǔn)確性有一定干擾。多種模態(tài)的組合, 同一模態(tài)不同分類指標(biāo)的組合, 為研究者提供了更多分類標(biāo)準(zhǔn)選擇的同時(shí), 也帶來(lái)了更多的測(cè)量誤差, 不利于研究結(jié)果的推廣和泛化。

因此模型構(gòu)建過(guò)程中應(yīng)重視分類指標(biāo)內(nèi)部秩序性, 梳理出分類指標(biāo)選取的標(biāo)準(zhǔn)與依據(jù), 逐步確定出一部分穩(wěn)定性強(qiáng)、適應(yīng)范圍廣、準(zhǔn)確度高的分類指標(biāo), 構(gòu)建更具科學(xué)性和穩(wěn)定性的分類指標(biāo)體系。有研究者提出, 年齡可以作為分類指標(biāo)劃分的一個(gè)依據(jù)。Liu等(2016)的研究顯示嬰幼兒和兒童期ASD識(shí)別更適用于眼神交流、手勢(shì)和面部表情等非語(yǔ)言行為特征, 青少年ASD則更應(yīng)側(cè)重于和同伴的語(yǔ)言交流與情感互動(dòng)。隨著年齡增長(zhǎng), 社會(huì)性溝通與情感聯(lián)結(jié)成為更重要的分類指標(biāo)。此外, 大腦的變化經(jīng)常出現(xiàn)在臨床表現(xiàn)之前且具有較高的穩(wěn)定性(Elsabbagh et al., 2012; Wolff et al., 2012; Wolff et al., 2015), 因此分類過(guò)程中應(yīng)特別重視客觀影像指標(biāo)的應(yīng)用(Emerson et al., 2017; Hazlett et al., 2017; Itani & Thanou, 2021)。言語(yǔ)智商、自閉癥嚴(yán)重程度等經(jīng)過(guò)驗(yàn)證的也較為容易收集的分類標(biāo)準(zhǔn)也可以直接納入分類體系(Katuwal et al., 2016)。但是這類判別標(biāo)準(zhǔn)仍相對(duì)寬泛, 無(wú)法完全滿足自閉癥特異性對(duì)指標(biāo)選取的精細(xì)化要求。未來(lái)研究可在已有研究成果的基礎(chǔ)上, 一方面繼續(xù)細(xì)化行為、量表、影像等指標(biāo)適用范圍, 按照分類性能(準(zhǔn)確性、穩(wěn)定性等)對(duì)具體指標(biāo)進(jìn)行規(guī)則排序; 另一方面應(yīng)探究不同模態(tài)間如何有機(jī)結(jié)合、優(yōu)勢(shì)互補(bǔ), 兼顧自閉癥患兒的內(nèi)部神經(jīng)機(jī)制和外在行為表現(xiàn), 更好地激發(fā)多模態(tài)數(shù)據(jù)隱藏的價(jià)值。

最后, 理論模型向現(xiàn)實(shí)應(yīng)用的轉(zhuǎn)化還未完全成熟。機(jī)器學(xué)習(xí)可以幫助家長(zhǎng)或其他從業(yè)人員提前知曉疾病風(fēng)險(xiǎn), 及早制定康復(fù)方案。但是現(xiàn)有研究仍停留在模型構(gòu)建的理論階段, 模型應(yīng)用到實(shí)踐中還需要慎重思考以下幾個(gè)問(wèn)題。一是研究樣本對(duì)總體的代表性。已有研究模型中選用的被試通常是經(jīng)過(guò)選擇的, 多數(shù)為高風(fēng)險(xiǎn)自閉癥家族人群, 自閉癥所占比重遠(yuǎn)超典型發(fā)展人群正常值(20%～33%; 1%), 評(píng)估結(jié)果若直接應(yīng)用到普通人群中是否能夠兼容(Rahman et al., 2020; Thabtah, 2019); 二是模型的適用性和可推廣性。受限于研究可行性因素, 目前超過(guò)1/3的研究樣本量不足300人, 可能存在采樣偏差, 且很少有研究報(bào)告成果在不同文化背景、地理區(qū)域被試群體中的驗(yàn)證, 理論模型的泛化能力還不能確定(Liaqat et al., 2021; Mazumdar et al., 2021)。三是算法的準(zhǔn)確度和穩(wěn)定性有待改善。當(dāng)前模型仍多采用為傳統(tǒng)機(jī)器學(xué)習(xí)算法, 部分模型分類準(zhǔn)確率尚不足60%, 穩(wěn)定性也難以滿足大范圍施測(cè)要求。四是模型功能較為單一。當(dāng)前研究成果只能對(duì)個(gè)體是否為自閉癥做簡(jiǎn)單的二分類判斷, 極少直接應(yīng)用于診斷(Millar et al., 2019)。對(duì)于計(jì)算模型應(yīng)用于預(yù)測(cè)和評(píng)估過(guò)程管理的功能也是淺嘗輒止、不夠深入。五是應(yīng)用受眾對(duì)模型的認(rèn)可度仍需提高。當(dāng)前ASD Tests、Cognoa等操作簡(jiǎn)便的智能識(shí)別軟件已經(jīng)可以輕松地在手機(jī)端下載獲得, 上傳視頻或完成測(cè)試題目就可以快速獲得篩查結(jié)果, 但是絕大多數(shù)家長(zhǎng)、教師甚至是相關(guān)專業(yè)從業(yè)人員并不了解這些軟件。即使家長(zhǎng)等相關(guān)人員知曉這些施測(cè)工具, 關(guān)系到識(shí)別尤其是“診斷”結(jié)果, 對(duì)于工具的認(rèn)可和接受程度可能也難以達(dá)到研究者預(yù)期。對(duì)比傳統(tǒng)方法, 專業(yè)醫(yī)師經(jīng)過(guò)長(zhǎng)時(shí)間觀察和家長(zhǎng)訪談, 結(jié)合高度結(jié)構(gòu)化量表慎重考量得出結(jié)果, 僅ADI-R量表一項(xiàng)施測(cè)時(shí)間就長(zhǎng)達(dá)2.5小時(shí), 過(guò)程蘊(yùn)含大量自然真實(shí)環(huán)境中的人際互動(dòng)線索(Abbas et al., 2020)。機(jī)器學(xué)習(xí)模型在縮短施測(cè)時(shí)間的同時(shí)能否得到真實(shí)有效的數(shù)據(jù), 預(yù)先設(shè)定的訓(xùn)練數(shù)據(jù)是否能完全覆蓋測(cè)試對(duì)象, 評(píng)估結(jié)果如何解釋, 評(píng)估結(jié)果如何應(yīng)用于后續(xù)干預(yù)與康復(fù), 這些都是家長(zhǎng)或其他應(yīng)用受眾會(huì)關(guān)注的問(wèn)題。隨著機(jī)器學(xué)習(xí)技術(shù)的不斷成熟, 上述問(wèn)題更深入的思考與論證將有助于加快推進(jìn)理論模型向?qū)嵺`轉(zhuǎn)化的步伐。未來(lái)研究可在豐富研究對(duì)象和優(yōu)化機(jī)器學(xué)習(xí)算法的基礎(chǔ)上, 充分調(diào)研不同受眾的實(shí)際需求與困擾, 有針對(duì)性的解決問(wèn)題, 同時(shí)增加對(duì)理論研究成果的宣導(dǎo), 在實(shí)踐中不斷加深理論模型的滲透與推廣。

附錄：

附錄1 機(jī)器學(xué)習(xí)算法與分類模型性能匯總表

續(xù)表

續(xù)表

注：評(píng)價(jià)指標(biāo)參數(shù)采用重點(diǎn)研究或最佳分類器的最優(yōu)參數(shù)(比較順序?yàn)锳cc-, AUC, Sen-, Spe-); 國(guó)家以第一作者所在國(guó)家為準(zhǔn)。

Non: 非ASD; C (Children): 兒童; T (Teenager): 青少年; A (Adult): 成人; av (Average): 平均年齡; TD/TC/TG/HC/NC/NT/NEU (typically developing/ tytical control / typically Growing/ healthy control/normal control / neurotypical/ neurotypical controls): 典型發(fā)展兒童; MR (Medium-risk): 中風(fēng)險(xiǎn); SVC/SVR (Support Vector Classification/ Regression): 支持向量分類/回歸; LSSVM (Least Squares SVM): 最小二乘支持向量機(jī); RML (Rules-Machine Learning): 規(guī)則機(jī)器學(xué)習(xí); CART (Classification and Regression Tree): 分類回歸樹(shù); GLM (Generalized Linear Model): 廣義線性模型; TwIST (Two-Step Iterative Shrinkage/Thresholding): 兩步迭代收縮; PCA (Principal Component Analysis)): 主要成分分析; MSROM (multi scale ranked organizing maps): 多比例尺排列組織圖; MSE (Multi scale entropy): 多尺度熵; FC-DNN (fully connected deep neural networks): 全連接的深度神經(jīng)網(wǎng)絡(luò); SMOTE (Synthetic Minority Over-sampling Technique): 人工少數(shù)類過(guò)采樣; NN (neural network): 神經(jīng)網(wǎng)絡(luò); BLSTM NN (bidirectional long short-term memory neural network): 雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò); IG (Information Gain): 信息增益; ARIA (Automatic retinal image analysis): 視網(wǎng)膜圖像自動(dòng)分析; FRF (Functional Random Forest): 功能隨機(jī)森林; GNB (Gaussian Naive Bayes): 高斯樸素貝葉斯; MGOA (Modified Grasshopper Optimization Algorithm): 改進(jìn)的蚱蜢優(yōu)化算法; MFCM (Multilayer Fuzzy Cognitive Maps): 多層模糊認(rèn)知地圖; LSTM (Long Short-Term Memory): 長(zhǎng)短期記憶網(wǎng)絡(luò); MISO-DNN (multi-input single-output deep neural network): 多輸入單輸出深度神經(jīng)網(wǎng)絡(luò); PNN (probabilistic neural network): 概率神經(jīng)網(wǎng)絡(luò); PAAS (pictorial autism assessment schedule): 自閉癥圖片評(píng)估程序.

*為納入系統(tǒng)分析的文獻(xiàn)

陳光華, 陶冠澎, 翟璐煜, 白學(xué)軍. (2022). 自閉癥譜系障礙的早期篩查工具.(4), 738?760.

陳順森, 白學(xué)軍, 張日昇. (2011). 自閉癥譜系障礙的癥狀、診斷與干預(yù).,(1), 60?72.

曹正鳳. (2014).(博士學(xué)位論文). 首都經(jīng)濟(jì)貿(mào)易大學(xué), 北京.

崔建偉, 趙哲, 杜小勇. (2021). 支撐機(jī)器學(xué)習(xí)的數(shù)據(jù)管理技術(shù)綜述.,(3), 604?621.

董健宇, 韋文棋, 吳珂, 妮娜, 王粲霏, 付瑩, 彭歆. (2020). 機(jī)器學(xué)習(xí)在抑郁癥領(lǐng)域的應(yīng)用.,(2), 266?274.

顧曰國(guó). (2013). 論言思情貌整一原則與鮮活話語(yǔ)研究——多模態(tài)語(yǔ)料庫(kù)語(yǔ)言學(xué)方法., (6), 1?19.

郭利明, 楊現(xiàn)民, 段小蓮, 邢蓓蓓. (2019). 人工智能與特殊教育的深度融合設(shè)計(jì)., (8), 10?19+92?93.

韓保禎. (2018).(碩士學(xué)位論文). 電子科技大學(xué), 成都.

胡越, 羅東陽(yáng), 花奎, 路海明, 張學(xué)工. (2019). 關(guān)于深度學(xué)習(xí)的綜述與討論.,(1), 1?19.

黃碧玉. (2018).(碩士學(xué)位論文). 浙江工業(yè)大學(xué), 杭州.

靳宇倡, 張政, 鄭佩璇, 安俊秀. (2022). 遠(yuǎn)程心理健康服務(wù)：應(yīng)用、優(yōu)勢(shì)及挑戰(zhàn).(1), 141?156.

李航. (2012).. 北京: 清華大學(xué)出版社.

劉笑晗, 陳明隆, 郭靜. (2022). 機(jī)器學(xué)習(xí)在兒童創(chuàng)傷后應(yīng)激障礙識(shí)別及轉(zhuǎn)歸預(yù)測(cè)中的應(yīng)用.,(4), 1?12.

徐建平, 張厚粲. (2005). 質(zhì)性研究中編碼者信度的多種方法考察.,(6), 1430?1432.

楊劍鋒, 喬佩蕊, 李永梅, 王寧. (2019). 機(jī)器學(xué)習(xí)分類問(wèn)題及算法研究綜述.,(6), 36?40.

余明華, 馮翔, 祝智庭. (2017). 人工智能視域下機(jī)器學(xué)習(xí)的教育應(yīng)用與創(chuàng)新探索.,(3), 11?21.

*Abbas, H., Garberson, F., Glover, E., & Wall, D. P. (2018). Machine learning approach for early detection of autism by combining questionnaire and home video screening.,(8), 1000?1007.

*Abbas, H., Garberson, F., Liu-Mayo, S. Glover, E., & Wall, D. P. (2020). Multi-modular AI approach to streamline autism diagnosis in young children.,(1), 1?8.

*Abdolzadegan, D., Moattar, M. H., & Ghoshuni, M. (2020). A robust method for early diagnosis of autism spectrum disorder from EEG signals based on feature selection and DBSCAN method.,(1), 482?493.

*Abraham, A., Milham, M. P., Martino, A. D., Craddock, R. C., Samaras, D., Thirion, B., & Varoquaux, G. (2017). Deriving reproducible biomarkers from multi-site resting- state data: An autism-based example.(15), 736?745.

*Achenie, L. E. K., Scarpa, A., Factor, R. S., Wang, T., Robins, D. L., & McCrickard, D. S. (2019). A machine learning strategy for autism screening in toddlers.(5), 369?376.

Autism Brain Imaging Data Exchange. (2017). Retrieved July 3, 2021, from http://fcon_1000.projects.nitrc.org/indi/ abide/abide_I.html

*Bahado-Singh, R. O., Vishweswaraiah, S., Aydas, B., Mishra, N. K., Yilmaz, A., Guda, C., & Radhakrishna, U. (2019). Artificial intelligence analysis of newborn leucocyte epigenomic markers for the prediction of autism., 146457.

*Bone, D., Bishop, S., Black, M. P., Goodwin, M. S., Lord, C., & Narayanan, S. S. (2016). Use of machine learning to improve autism screening and diagnostic instruments: Effectiveness, efficiency, and multi-instrument fusion.(8), 927?937.

Bone, D., Goodwin, M. S., Black, M. P., Lee, C., Audhkhasi, K., & Narayanan, S. (2015). Applying machine learning to facilitate autism diagnostics: Pitfalls and promises.(5), 1121?1136.

*Bosl, W. J., Tager-Flusberg, H., & Nelson, C. A. (2018). EEG analytics for early detection of autism spectrum disorder: A data-driven approach.(1), 6828.

*Ben-Sasson, A., & Yom-Tov, E. (2016). Online concerns of parents suspecting autism spectrum disorder in their child: Content analysis of signs and automated prediction of risk.(11), e300.

*Bussu, G., Jones, E. J., Charman, T., Johnson, M. H., & Buitelaar, J. K. (2018). Prediction of autism at 3 years from behavioural and developmental measures in high-risk infants: A longitudinal cross-domain classifier analysis.,(7), 2418?2433.

*Caly, H., Rabiei, H., Coste-Mazeau, P., Hantz, S., Alain, S., Eyraud, J. L., … Ben-Ari, Y. (2021). Machine learning analysis of pregnancy data enables early identification of a subpopulation of newborns with ASD.,(1), 6877.

Choi, G. B., Yim, Y. S., Wong, H., Kim, S., Kim, H., Kim, S. V., … Huh, J. R. (2016). The maternal interleukin-17a pathway in mice promotes autism-like phenotypes in offspring.,(6276), 933?939.

Cloarec, R., Riffault, B., Dufour, A., Rabiei, H., Gouty-Colomer, L. A., Dumon, C., … Ben-Ari, Y. (2019). Pyramidal neuron growth and increased hippocampal volume during labor and birth in autism.,(1), eaav0394.

Diehl, J. J., Schmitt, L. M., Villano, M., & Crowell, C. R. (2012). The clinical use of robots for individuals with autism spectrum disorders: A critical review.(1), 249?262.

*Dickinson, A., Daniel, M., Marin, A., Gaonkar, B., Dapretto, M., McDonald, N. M., & Jeste, S. (2020). Multivariate neural connectivity patterns in early infancy predict later autism symptoms.,(1), 59?69.

*Dong, H. Y., Chen, D., Zhang, L., Ke, H. J., & Li, X. L. (2021). Subject sensitive EEG discrimination with fast reconstructable CNN driven by reinforcement learning: A case study of ASD evaluation.,, 136?145.

Dubreuil-Vall, L., Ruffini, G., & Camprodon, J. A. (2020). Deep learning convolutional neural networks discriminate adult ADHD from healthy individuals on the basis of event-related spectral EEG., 251.

*Duda, M., Daniels, J., & Wall, D. P. (2016). Clinical evaluation of a novel and mobile autism risk assessment.,(6), 1953?1961.

*Duda, M., Haber, N., Daniels, J., & Wall, D. P. (2017). Crowdsourced validation of a machine-learning classification system for autism and ADHD.,(5), e1133.

*Duda, M., Ma, R., Haber, N., & Wall, D. P. (2016). Use of machine learning for behavioral distinction of autism and ADHD.,(2), e732.

Elsabbagh, M., Mercure, E., Hudry, K., Chandler, S., Pasco, G., Charman, T., … the BASIS Team. (2012). Infant neural sensitivity to dynamic eye gaze is associated with later emerging autism.,(4), 338?342.

*Emerson, R. W., Adams, C., Nishino, T., Hazlett, H, C., Wolff, J. J., Zwaigenbaum, L., … Piven, J. (2017). Functional neuroimaging of high-risk 6-month-old infants predicts a diagnosis of autism at 24 months of age.,(393). https://doi.org/10.1126/ scitranslmed.aag2882

*Eni, M., Dinstein, I., Ilan, M., Menashe, I., Meiri, G., & Zigel, Y. (2020). Estimating autism severity in young children from speech signals using a deep neural network.,, 139489?139500.

*Epalle, T. M., Song, Y. Q., Liu, Z., & Lu, H. (2021). Multi- atlas classification of autism spectrum disorder with hinge loss trained deep architectures: ABIDE I results.,(3), 107375.

*Eslami, T., Mirjalili, V., Fong, A., Laird, A. R., & Saeed, F. (2019). ASD-DiagNet: A hybrid learning approach for detection of autism spectrum disorder using fMRI data.. https://doi.org/10.3389/ fninf.2019.00070

*Eugenia, C., Alessandra, R., Letizia, P., Spera, G., Bosco, P., Biagi, L., … Calderoni, S. (2020). Autism spectrum disorder and childhood apraxia of speech: Early language- related hallmarks across structural MRI study.(4), 275.

Falkmer, T., Anderson, K., Falkmer, M., & Horlin, C. (2013). Diagnostic procedures in autism spectrum disorders: A systematic literature review.,(6), 329?340.

Food and Drug Administration. (2021).. Retrieved October 21, 2021, from https://www.fda.gov/ news-events/press-announcements/fda-authorizes-marketing-diagnostic-aid-autism-spectrum-disorder

*Feczko, E., Balba, N., Miranda-Dominguez, O., Cordova, M., Karalunas, S. L., Irwin, L., ... Fair, D. A. (2017). Subtyping cognitive profiles in autism spectrum disorder using a random forest algorithm., 674?688.

Geng, X., Kang, X., & Wong, P. C. M. (2020). Autism spectrum disorder risk prediction: A systematic review of behavioral and neural investigations.91?137.

*Goel, N., Grover, B., Anuj, Gupta, D., Khanna, A., & Sharma, M. (2020). Modified grasshopper optimization algorithm for detection of autism spectrum disorder., 101115.

*G?k, M. (2018). A novel machine learning model to predict autism spectrum disorders risk gene.(4), 6711?6717.

*Grossi, E., Olivieria, C., & Buscema, M. (2017). Diagnosis of autism through EEG processed by advanced computationalalgorithms: A pilot study.,, 73?79.

Guinchat, V., Chamak, B., Bonniau, B., Bodeau, N., Perisse, D., Cohen, D., & Danion, A. (2012). Very early signs of autism reported by parents include many concerns not specific to autism criteria.(2), 589?601.

*Guo, X. Y., Dominick, K. C., Minai, A. A., Li, H. L., Erickson, C. A., & Lu, L. J. (2017). Diagnosing autism spectrum disorder from brain resting-state functional connectivity patterns using a deep neural network with a novel feature selection method.,, 460.

Hazlett, H. C., Gu, H., Munsell, B. C., Kim, S. H., Styner, M., Wolff, J. J., … The IBIS Network. (2017). Early brain development in infants at high risk for autism spectrum disorder.,(7641), 348?351.

Hosseinzadeh, M., Koohpayehzadeh, J., Bali, A. O., Rad, F. A., Souri, A., Mazaherinezhad, A., … Bohlouli, M. (2021). A review on diagnostic autism spectrum disorder approaches based on the internet of things and machine learning.(3), 2590?2608.

Hyde, K. K., Novack, M. N., LaHaye, N., Parlett-Pelleriti, C., Anden, R., Dixon, D. R., & Linstead, E. (2019). Applications of supervised machine learning in autism spectrum disorder research: A review.(2), 128?146.

*Itani, S., & Thanou, D. (2021). Combining anatomical and functional networks for neuropathology identification: A case study on autism spectrum disorder., 101986.

*Jun, E., Kang, E., Choi, J., & Suk, H. (2019). Modeling regional dynamics in low-frequency fluctuation and its application to autism spectrum disorder diagnosis., 669?686.

*Kang, J. N., Han, X. Y., Song, J. J., Niu, Z. K., & Li, X. L. (2020). The identification of children with autism spectrum disorder by SVM approach on EEG and eye-tracking data.(24), 103722.

*Kanne, S. M., Carpenter, L. A., & Warren, Z. (2018). Screening in toddlers and preschoolers at risk for autism spectrum disorder: Evaluating a novel mobile-health screening tool.(7), 1038?1049.

*Katuwal, G. J., Baum, S. A., Cahill, N. D., & Michael, A. M. (2016). Divide and conquer: Sub-grouping of ASD improves ASD detection based on brain morphometry.,(4), 1?24.

Klin, A., Lang, J., Cicchetti, D. V., & Volkmar, F. R. (2000). Brief report: Interrater reliability of clinical diagnosis and DSM-IV criteria for autistic disorder: Results of the DSM-IV autism field trial.,(2), 163?167.

Koumpouros, Y., & Kafazis, T. (2019). Wearables and mobile technologies in autism spectrum disorder interventions: A systematic literature review., 101405.

*Lai, M., Lee, J., Chiu, S., Charm, J., So, W. Y., Yuen, F. P., … Zee, B. (2020). A machine learning approach for retinal images analysis as an objective screening method for children with autism spectrum disorder.,, 100588.

*Levy, S., Duda, M., Haber, N., Wall, D. P. (2017). Sparsifying machine learning models identify stable subsets of predictive features for behavioral detection of autism.(1), 65.

*Li, G. Y., Lee, O., & Rabitz, H. (2018). High efficiency classification of children with autism spectrum disorder.(2), e0192867.

Li, X. W., La, R., Wang, Y., Niu, J. H., Zeng, S., Sun, S., & Zhu, J. (2019). EEG-based mild depression recognition using convolutional neural network.(6), 1341?1352.

*Li, Y. M., Mache, M. A., & Todd, T. A. (2020). Automated identification of postural control for children with autism spectrum disorder using a machine learning approach.,, 110073.

*Liaqat, S., Wu, C., Duggirala, P. R., Cheung, S. S., Chuah, C. N., Ozonoff, S., & Young, G. (2021). Predicting ASD diagnosis in children with synthetic and image-based eye gaze data.(3), 116198.

*Liu, W., Li, M., & Li, Y. (2016). Identifying children with autism spectrum disorder based on their face processing abnormality: A machine learning framework.(8), 888?898.

Maenner, M. J., Shaw, K. A., Bakian, A.V., Bilder, D. A., Durkin, M. S., Esler, A., … Cogswell, M. E. (2021). Prevalence and characteristics of autism spectrum disorder among children aged 8 years - Autism and developmental disabilities monitoring network, 11 sites, United States, 2018..(11), 1?16.

*Mazumdar, P., Arru, G., & Battisti, F. (2021). Early detection of children with autism spectrum disorder based on visual exploration of images.(3), 116184.

Moher, D., Liberati, A., Tetzlaff, J., Altman, D. G., PRISMA Group, & for the PRISMA Group. (2009). Preferred reporting items for systematic reviews and meta-analyses: The PRISMA statement., b2535.

*Meera, S. S., Donovan, K., Wolff, J. J., Zwaigenbaum, L., Elison, J. T., Kinh, T., ... IBIS Network. (2020). Towards a data-driven approach to screen for autism risk at 12 months of age.(8), 968?977

Millar, L., Mcconnachie, A., Minnis, H., Wilson, P., Thompson, L., Anzulewicz, A., … Delafield-Butt, J. (2019). Phase 3 diagnostic evaluation of a smart tablet serious game to identify autism in 760 children 3-5 years old in sweden and the united kingdom.,(7), e026226.

Namdeo, A., & Singh, D. (2021). Challenges in evolutionary algorithm to find optimal parameters of SVM: A review., 288.

*Negin, F., Ozyer, B., Agahian, S., Kacdioglu, S., & Ozyer, G. T. (2021). Vision-assisted recognition of stereotype behaviors for early diagnosis of autism spectrum disorders.,, 145?155.

Nogay, H. S., & Adeli, H. (2020). Machine learning (ML) for the diagnosis of autism spectrum disorder (ASD) using brain imaging.(8), 825?841.

Oh, D. H., Kim, I. B., Kim, S. H., & Ahn, D. H. (2017). Predicting autism spectrum disorder using blood-based gene expression signatures and machine learning.(1), 47?52.

Pagnozzi, A. M., Conti, E., Calderoni, S., Fripp, J., & Rose, S. E. (2018). A systematic review of structural MRI biomarkers in autism spectrum disorder: A machine learning perspective.(1), 68?82.

*Parikh, M. N., Li, H., & He, L. (2019). Enhancing diagnosis of autism with optimized machine learning models and personal characteristic data., 9.

Perera, H., Jeewandara, K. C., Seneviratne, S., & Guruge, C. (2017). Culturally adapted pictorial screening tool for autism spectrum disorder: A new approach.,(1), 45?51.

Plitt, M., Barnes, K. A., & Martin, A. (2015). Functional connectivity classification of autism identifies highly predictive brain features but falls short of biomarker standards.(C), 359?366.

*Puerto, E., Aguilar, J., López, C., & Chávez, D. (2019). Using multilayer fuzzy cognitive maps to diagnose autism spectrum disorder., 58?71.

*Qiu, N., Tang, C., Zhai, M., Huang, W., Weng, J., Li, C., … Ke, X. (2020). Application of the still-face paradigm in early screening for high-risk autism spectrum disorder in infants and toddlers.,, 290.

Quaak, M., van de Mortel, L., Thomas, R. M., & van Wingen, G. (2021). Deep learning applications for the classification of psychiatric disorders using neuroimaging data: Systematic review and meta-analysis., 102584.

*Rahman, R., Kodesh, A., Levine, S. Z., Sandin, S., Reichenberg, A., & Schlessinger, A. (2020). Identification of newborns at risk for autism using electronic medical records and machine learning.(1), e22, 1?7.

Rahman, M. M., Usman, O. L., Muniyandi, R. C., Sahran, S., Mohamed, S., & Razak, R. A. (2020). A review of machine learning methods of feature selection and classification for autism spectrum disorder.(12), 1?23.

*Raj, S., & Masood, S. (2020). Analysis and detection of autism spectrum disorder using machine learning techniques., 994?1004.

*Raki?, M., Cabezas, M., Kushibar, K., Oliver, A., & Lladó, X. (2020). Improving the detection of autism spectrum disorder by combining structural and functional MRI information.,, 102181.

Ramírez-Duque, A. A., Frizera-Neto, A., & Bastos, T. F. (2019). Robot-assisted autism spectrum disorder diagnostic based on artificial reasoning.,(2), 267?281.

*Retico, A., Gori, I., Giuliano, A., Muratori, F., & Calderoni, S. (2016). One-class support vector machines identify the language and default mode regions as common patterns of structural alterations in young children with autism spectrum disorders.(171), 306.

*Salari, V., Sherkatghanad, Z., Akhondzadeh, M., Salari, S., Zomorodi-moghadam, M., Abdar, M., & Khosrowabadi, R. (2019). Automated detection of autism spectrum disorder using convolutional neural network., 1325.

Sanders, S. J., Ercan-Sencicek, A. G., Hus, V., Luo, R., Murtha, M. T., Moreno-De-Luca, D., … State, M. W. (2011). Multiple recurrent de novo CNVs, including duplications of the 7q11.23 Williams syndrome region, are strongly associated with autism.,(5), 863?885.

Sekaran, K., & Sudha, M. (2020). Predicting autism spectrum disorder from associative genetic markers of phenotypic groups using machine learning.(3), 3257?3270.

*Sen, B., Borle, N. C., Greiner, R., & Brown, M. R. G. (2018). A general prediction model for the detection of ADHD and autism using structural and functional MRI.,(4), e0194856.

*Sewani, H., & Kashef, R. (2020). An autoencoder-based deep learning classifier for efficient diagnosis of autism.(10), 0182.

*Shahamiri, S. R., & Thabtah, F. (2020). Autism AI: A new autism screening system based on artificial intelligence.,, 766?777.

Sheldrick, R. C., Maye, M. P., & Carter, A. S. (2017). Age at first identification of autism spectrum disorder: An analysis of two US surveys.,(4), 313?320.

Shic, F., Macari, S., & Chawarska, K. (2014). Speech disturbs face scanning in 6-month-old infants who develop autism spectrum disorder.,(3), 231?237.

*Tariq, Q., Daniels, J., Schwartz, J. N., Washington, P., Kalantarian, H., & Wall, D. P. (2018). Mobile detection of autism through machine learning on home video: A development and prospective validation study.(11), e1002705.

*Thabtah, F., Kamalov, F., & Rajab, K. (2018). A new computational intelligence approach to detect autistic features for autism screening.(SEP.), 112?124.

*Thabtah, F. (2019). An accessible and efficient autism screening method for behavioural data and predictive analyses.(2), 1739-1755.

*Thabtah, F., Abdelhamid, N., & Peebles, D. (2019). A machine learning autism classification based on logistic regression analysis.(1), 12.

*Thabtah, F., & Peebles, D. (2019). A new machine learning model based on induction of rules for autism detection.(1), 264?286.

Tyzio, R., Nardou, R., Ferrari, D. C., Tsintsadze, T., Shahrokhi, A., Eftekhari, S., … Ben-Ari, Y. (2014). Oxytocin-mediated gaba inhibition during delivery attenuatesautism pathogenesis in rodent offspring.,(6171), 675?679.

*Wan, G., Kong, X., Sun, B., Yu, S., Tu, Y., Park, J., … Kong, J. (2019). Applying eye tracking to identify autism spectrum disorder in children.(1), 209?215.

Wolff, J. J., Gerig, G., Lewis, J. D., Soda, T., Styner, M. A., Vachet, C., … the IBIS Network. (2015). Altered corpus callosum morphology associated with autism over the first 2 years of life.,(7), 2046?2058.

*Wedyan, M., Al-Jumaily, A., & Crippa, A. (2019). Using machine learning to perform early diagnosis of autism spectrum disorder based on simple upper limb movements.(4), 195?206.

Wolff, J. J., Gu, H., Gerig, G., Elison, J. T., Styner, M., Gouttard S., … the IBIS Network. (2012). Differences in white matter fiber tract development present from 6 to 24 months in infants with autism.,(6), 589?600.

*Wingfield, B., Miller, S., Yogarajah, P., Kerr, D., Gardiner, B., Seneviratne, S., … Coleman, S. (2020). A predictive model for paediatric autism screening.(4), 2538?2553.

*Yang, Y. (2020). A preliminary evaluation of still face images by deep learning: A potential screening test for childhood developmental disabilities., 109978.

Application of machine learning in early identification and diagnosis of autistic children

HOU Tingting1, CHEN Xiao2, KONG Depeng2, SHAO Xiujun3, LIN Fengxun1, LI Kaiyun1

(1School of Education and Psychology, University of Jinan, Jinan250022,China)(2School of Educational Technology and Science, Zhejiang University of Technology, Hangzhou310023, China)(3Qingdao Chenxing Experimental School, Qingdao 266000, China)

Early detection, early diagnosis and early intervention have been determined as the consensus ofautistic children education and rehabilitation. However, both the limitations of traditional identification and diagnosis methods and the lack of professionals mostly caused the miss of the well-timed intervention in autistic children. Considering the advantages of machine learning (i.e., objectivity, accuracy, simplicity and flexibility), which has been gradually applied in different aspects of autistic education and rehabilitation, including early prediction, screening, diagnosis and evaluation, to improve this situation. Despite that, a series of limitations, such as research objects selection, classified data collection, theoretical model application, still exist. How to promote the construction of the tracking database of maternal and newborn pathophysiological information and establish a standardized model classification index system should be the focus of the future research. At the same time, researchers should pay more attention to the algorithm optimization and accelerate the transformation of the theoretical achievements of intelligent autism identification and diagnosis to practice.

machine learning, autism, early identification and diagnosis, systematic review

R395

2021-11-02

*教育部人文社科規(guī)劃基金項(xiàng)目(21YJC880028), 國(guó)家自然科學(xué)基金項(xiàng)目(32100856)。

侯婷婷和陳瀟對(duì)本文貢獻(xiàn)相當(dāng), 兩人為共同第一作者。

李開(kāi)云, E-mail: sep_liky@ujn.edu.cn