機器學習在發(fā)展性閱讀障礙兒童早期篩查中的應(yīng)用*

卜曉鷗 王 耀 杜亞雯 王 沛

機器學習在發(fā)展性閱讀障礙兒童早期篩查中的應(yīng)用*

卜曉鷗 王 耀 杜亞雯 王 沛

(華東師范大學教育學部特殊教育學系, 上海 200062)

發(fā)展性閱讀障礙嚴重影響兒童的學業(yè)成就、心理健康和社會適應(yīng)能力。近年來, 機器學習因其強大的數(shù)據(jù)處理和挖掘能力逐漸被應(yīng)用到閱讀障礙兒童的早期篩查中, 在標準化心理教育測試、眼動追蹤、游戲測試、腦成像等多個領(lǐng)域積累了較為豐富的成果, 獲得了更加精準高效、靈活可靠的分類結(jié)果。然而, 機器學習在對象選取、數(shù)據(jù)采集、轉(zhuǎn)化潛力和安全隱私等方面仍存在局限性。未來研究需要重點關(guān)注學齡前閱讀障礙兒童的早期篩查系統(tǒng)的科學性, 同時積極構(gòu)建多模態(tài)數(shù)據(jù)庫、在多種算法中尋找最佳算法以獲取最優(yōu)參數(shù), 最終實現(xiàn)臨床實踐中的廣泛使用。

發(fā)展性閱讀障礙, 機器學習, 早期篩查, 兒童

1 引言

發(fā)展性閱讀障礙(Developmental dyslexia, DD)是一種極其復(fù)雜的神經(jīng)發(fā)育性障礙, 其核心特征是盡管個體的智力正常, 視、聽覺功能完好, 但是仍然表現(xiàn)出持續(xù)的閱讀、拼寫和寫作困難(Kaisar, 2020)。閱讀障礙在不同的語言和文化中的發(fā)生率約為5%～15% (Tamboer et al., 2016), 并且存在代際傳遞現(xiàn)象(Zahia et al., 2020)。目前, 兒童通常于2年級或更高年級在掌握閱讀技能的過程中才有可能被識別出存在閱讀障礙(Sanfilippo et al., 2020)。在經(jīng)濟發(fā)展落后的國家, 貧困兒童發(fā)現(xiàn)存在閱讀障礙的年齡更晚(Ballester et al., 2021)。此時往往已經(jīng)錯過了最佳的干預(yù)窗口期, 即幼兒園至1年級大腦可塑性增強的早期階段(Fox et al., 2010)。大量研究已然發(fā)現(xiàn), 患有閱讀障礙的兒童會深陷學習成績低下、自我效能感降低和學習動力不足的惡性循環(huán)中(Burns et al., 2022), 甚至出現(xiàn)極高的輟學率和心理健康問題(Livingston et al., 2018)。如果此類兒童未能得到及時的識別和干預(yù), 閱讀障礙的負面影響可能會從童年早期一直持續(xù)至成年期(Farah et al., 2021)。因此, 進行高效的早期篩查, 提供有效的早期干預(yù), 對于閱讀障礙兒童的發(fā)展具有關(guān)鍵性意義。

迄今為止, 閱讀障礙的篩查主要借助于標準化心理教育測試(Lee et al., 2022)、眼動追蹤(Prabha & Bhargavi, 2019)、網(wǎng)絡(luò)/手機游戲(Borleffs et al., 2018)以及腦成像技術(shù)(Usman et al., 2021)等手段。標準化心理教育測試通常采用智商?成就差異模式(IQ?achievement discrepancy) (Fletcher et al., 2019)、干預(yù)?應(yīng)答模式(response to intervention, RTI) (Miciak et al., 2014)、優(yōu)勢與弱勢模式(pattern of strengths and weaknesses, PSW) (Hale et al., 2010)來評估和量化個體的智力、語音加工、閱讀技能和詞匯發(fā)展等認知能力, 進而達到識別閱讀障礙者的目的(Miciak & Fletcher, 2020)。就眼動追蹤技術(shù)的應(yīng)用而言, 研究者通過記錄閱讀過程中的眼動特征來區(qū)分閱讀障礙兒童和非閱讀障礙兒童, 這些特征包括注視/回視時間和次數(shù)、眼跳幅度和次數(shù)、眨眼頻率和次數(shù)以及雙眼協(xié)調(diào)性等(Hmimdi et al., 2021)。也有研究者以游戲化的形式生成具體的語音測試或認知測試, 開發(fā)基于網(wǎng)絡(luò)技術(shù)的電子學習系統(tǒng)和手機游戲(例如, Deslixate和GraphoGame), 旨在通過教育游戲識別閱讀障礙兒童(Larco et al., 2021; Ojanen et al., 2015)。隨著認知神經(jīng)技術(shù)的發(fā)展, 越來越多的研究使用腦成像技術(shù)獲取大腦的結(jié)構(gòu)、形態(tài)、功能激活和幾何特性, 利用組間均值差異來區(qū)分閱讀障礙兒童和典型發(fā)展兒童(Livingston et al., 2018; Sihvonen et al., 2021; Yang et al., 2021)。

然而, 閱讀障礙兒童的癥狀具有巨大的個體差異性, 比如不同的病源因素會導(dǎo)致不同的閱讀障礙亞類型(Aaron et al., 1999)。加之傳統(tǒng)的閱讀障礙檢測技術(shù)低效耗時, 敏感性和特異性指標不明確, 難以滿足大規(guī)模并快速篩查閱讀障礙兒童的需求(Usman et al., 2021)。更重要的是, 閱讀障礙與多種神經(jīng)、行為和環(huán)境因素有關(guān), 這些因素以復(fù)雜的方式相互作用導(dǎo)致了閱讀障礙(Catts et al., 2017; McGrath et al., 2020)。因此, 僅憑單一因素或少數(shù)因素結(jié)合無法完成對閱讀障礙患者的精確診斷(Catts & Petscher, 2022), 即使是傳統(tǒng)的多因素方法也無法涵蓋所有可能的因素和關(guān)系(Walda et al., 2022)。研究復(fù)雜系統(tǒng)的一種相對新穎有效的方法是機器學習(Kaisar, 2020)。機器學習(Machine Learning, ML)是使用計算機算法讓機器從大量經(jīng)驗數(shù)據(jù)中學習規(guī)律, 自動識別模式以做出預(yù)測或決策(Gilvary et al., 2020)。近年來,因其能夠提供更高的檢測精度和更好的預(yù)測結(jié)果, 一些研究者們開始嘗試應(yīng)用機器學習來提高閱讀障礙篩查的精度與敏感性。為此, 本研究通過整合機器學習在閱讀障礙篩查中的最新進展、主要應(yīng)用范圍、未來可能的發(fā)展方向, 旨在廓清閱讀障礙的機器學習研究可能的發(fā)展路徑與發(fā)展思路。

2 方法

我們對2016年以來用于分類和識別閱讀障礙的機器學習方法的研究進行文獻搜索, 使用的數(shù)據(jù)庫包括Web of Science、Elsevier Science Direct、EBSCO和PubMed。檢索關(guān)鍵詞為“Dyslexia/Reading Disability” AND “Identification/ Screening/Detection/Recognition/Prediction/Diagnosis” AND “Machine Learning/Deep Learning/Artificial Intelligence” AND “Child/Children/ Preschool”。考慮到機器學習技術(shù)的飛速發(fā)展和迭代, 并且第一篇中文閱讀障礙的機器學習研究發(fā)表于2016年, 因此文獻檢索的日期范圍設(shè)定為2016年1月1日～ 2022年10月1日。文獻納入標準為: (1)文獻為英文實證期刊論文和會議論文, 全文可得并包含明確的研究問題、方法和結(jié)論, 研究結(jié)論有翔實的數(shù)據(jù)支撐; (2)研究對象為18歲以下的兒童, 設(shè)置典型發(fā)展對照組和閱讀障礙組。閱讀障礙兒童無其他共病(如計算障礙、書寫障礙、自閉癥等)。(3)文獻使用/組合使用機器學習方法篩查閱讀障礙。我們依據(jù)上述標準進行獨立篩查, 最后確定納入本次系統(tǒng)綜述的文獻數(shù)量為25篇(見表1)。圖1和圖2分別展示了文獻篩選流程和文獻檢索完成后的文獻年度分布情況。

3 基于機器學習的閱讀障礙早期篩查的主要步驟

3.1 數(shù)據(jù)采集

基于機器學習的閱讀障礙篩查的第一步是使用相應(yīng)的技術(shù)手段獲取數(shù)據(jù)。

圖1 文獻篩選流程圖

圖2 文獻檢索完成后的文獻年度分布

標準化心理教育測試為機器學習的模型構(gòu)建提供了最早、最廣泛的證據(jù)。其所提供的數(shù)據(jù)顯示了閱讀障礙患者明顯的行為表現(xiàn), 主要包括閱讀、語音加工、工作記憶、視聽辨別等。Chen等人(2017)使用荷蘭版的McArthur-Bates溝通發(fā)展量表(N-CDI)測量了476名17～35個月的典型發(fā)展兒童的早期詞匯發(fā)展能力, 使用機器學習算法預(yù)測具有閱讀障礙家庭風險的兒童。Shamir等人(2019)采用自行開發(fā)的閱讀障礙簡短篩查工具(Zippy 6)測量了125名兒童(6～14歲, 其中閱讀障礙兒童81名)的認知能力和語音能力, 并使用機器學習算法區(qū)分閱讀障礙兒童和典型發(fā)展兒童。Tolami等人(2021)收集了54名8～11歲兒童(29名閱讀障礙兒童)的語言樣本, 使用計算語言學方法提取拼寫和語法錯誤、詞匯多樣性、語法復(fù)雜性指數(shù)和可讀性等閱讀障礙的差異特征, 利用機器學習模型診斷閱讀障礙。在中文閱讀障礙研究中, Wang和Bi (2022)收集了399名7～13歲閱讀障礙兒童的認知測試集, 在測量閱讀流暢性、閱讀準確率、語音意識、語素意識、快速命名和正字法意識的基礎(chǔ)上, 使用深度學習模型預(yù)測中文閱讀障礙兒童的癥候。Lee等人(2022)采集了1015名7～13歲的兒童(454名閱讀障礙兒童)的漢字字符數(shù)據(jù)集, 采用多種算法對漢字的反應(yīng)特征(如筆畫、字素、音調(diào)等)、字符結(jié)構(gòu)、回答特征(如正字法、語音詞根等)、個人特征等分類變量進行了機器學習, 最終基于漢字字符的結(jié)構(gòu)、書寫正確率、詞匯地位、筆畫、音調(diào)、年級等核心特征構(gòu)建了中文閱讀障礙篩查模型。

值得注意的是, 眼動特征已經(jīng)成為基于機器學習進行閱讀障礙分類的常用指標, 它與機器學習的結(jié)合提供了認知過程的細粒度信息(Raatikainen et al., 2021), 可作為閱讀障礙的高精度篩查工具。Bhargavi和Prabha (2020)收集了185名9～10歲兒童(97名閱讀障礙兒童)的眼動特征集用以建立閱讀障礙的預(yù)測模型, 在此基礎(chǔ)上采用多種機器學習算法提高預(yù)測精度, 發(fā)現(xiàn)具有較高準確率的最佳特征集是平均注視次數(shù)、平均注視時間、平均眼跳時間、總眼跳運動次數(shù)和平均注視次數(shù)。Ileri等人(2022)記錄了33名9～10歲兒童(20名閱讀障礙兒童)在閱讀文本時的眼電圖(electrooculography, EOG)信號, 通過機器學習分析了不同類型的眼球運動規(guī)律, 以此來篩查閱讀障礙者。

隨著智能移動設(shè)備的日益普及, 基于網(wǎng)絡(luò)/手機游戲的數(shù)據(jù)收集技術(shù)擁有了廣泛的用戶基礎(chǔ)。當前, 研究者已經(jīng)開發(fā)了各種支持、檢測和治療閱讀障礙的應(yīng)用程序和游戲(Ahmad et al., 2022)。游戲化設(shè)計大多以語言能力、知覺加工、工作記憶、執(zhí)行功能、閱讀技能等為測量內(nèi)容, 在形式上通過豐富的游戲元素來吸引和激勵用戶。Rello等人(2020)設(shè)計了一款用于測查行為和認知缺陷的在線游戲來收集3644名7～17歲用戶(其中包括392名閱讀障礙患者)的數(shù)據(jù), 從而建立了一個用于篩查閱讀障礙的機器學習模型。Rauschenberger等人(2022)通過網(wǎng)頁游戲“MusVis”收集了313名兒童(7～12歲, 其中包括116名閱讀障礙兒童)玩游戲的節(jié)奏和頻率, 在此基礎(chǔ)上利用機器學習進行模型訓(xùn)練和預(yù)測。

閱讀障礙的本質(zhì)特征是大腦解剖結(jié)構(gòu)中微妙的空間分布變化(Richlan et al., 2013; Tamboer et al., 2016; Vandermosten et al., 2012)。基于功能性磁共振成像(fMRI)、腦磁圖(MEG)、腦電圖(EEG)、正電子發(fā)射掃描(PET)等技術(shù)獲取的大腦成像數(shù)據(jù)為閱讀障礙的機器學習分類提供了客觀證據(jù)(Da Silva et al., 2021; Ortiz et al., 2020; Thiede et al., 2020)。fMRI的數(shù)據(jù)大多關(guān)注的是與語言和詞匯決策相關(guān)的大腦區(qū)域, 探究個體在閱讀任務(wù)期間大腦激活的功能差異(Chimeno et al., 2014)。Zahia等人(2020)收集了55名9至12歲西班牙兒童(其中包括18名閱讀障礙)的fMRI結(jié)構(gòu)像, 使用深度學習算法對閱讀障礙兒童進行自動識別。Da Silva等人(2021)從巴西說葡萄牙語的32名8～12歲兒童(16名閱讀障礙兒童)中收集高分辨率的T1-w圖像, 使用深度學習算法對視覺表征的重要區(qū)域進行分類。EEG能夠在保持時間和頻域的情況下記錄高時間分辨率的大腦信號, 反映兒童認知處理過程中的大腦功能狀態(tài), 為閱讀障礙的早期診斷提供有效特征。研究者大多關(guān)注EEG信號的5個波段, 即delta, theta, alpha, beta和gamma (Ortiz et al., 2020), 通過腦電圖通道之間的相位同步探究大腦的連通性, 然后提取鑒別特征用于閱讀障礙的識別。Zainuddin等人(2019)采集了7～12歲的10名中度閱讀障礙兒童、10名重度閱讀障礙兒童和10名對照組兒童的EEG信號, 通過寫作任務(wù)以K最鄰近(KNN)和極限學習機(ELM)來篩查閱讀障礙。Formoso等人(2021)采集了7～8歲的48名兒童(16名閱讀障礙)的EEG信號, 測量通道之間的相位同步, 以揭示聽覺處理過程中激活的腦功能網(wǎng)絡(luò)。然后, 使用矢量量化無監(jiān)督學習和貝葉斯算法相結(jié)合的方法提取鑒別特征, 用于閱讀障礙的鑒別。在中文閱讀障礙研究中, Cui等人(2016)采用結(jié)構(gòu)磁共振成像(MRI)和擴散張量成像(DTI)收集了61名10～14歲學齡兒童(其中28名閱讀障礙兒童)的3D T1-w圖像(MPRAGE), 使用機器學習算法將閱讀障礙兒童與典型發(fā)展兒童區(qū)分開來。

表1 機器學習在發(fā)展性閱讀障礙兒童早期篩查中的應(yīng)用

注: 國家以第一作者所在國家為準, 算法/方法采用重點研究算法, 評價指標采用最佳算法的最優(yōu)參數(shù)。

TD/CD/TDR/TYP/TR/CG/HC/non: 典型發(fā)展兒童; DG/DD/DYS/DA/RD: 閱讀障礙兒童; PDS (poor dyslexic subject): 差閱讀障礙兒童; CDS (capable dyslexic subject): 有能力的閱讀障礙兒童; FR (family risk): 有閱讀障礙家庭風險兒童; SAC (school-aged children): 學齡兒童; MVR: 單目視覺兒童(無閱讀障礙); av (Average): 平均年齡; N-CDI: 荷蘭版的McArthur-Bates溝通發(fā)展量表; SVM (Support Vector Machines): 支持向量機; KNN (K-Nearest Neighbors): K最近鄰; LR (Logistic Regression): 邏輯回歸; CNN (Convolutional Neural Network): 卷積神經(jīng)網(wǎng)絡(luò); RF (Random Forest): 隨機森林; ET (Extra Trees): 極限森林; NB (Na?ve Bayes): 樸素貝葉斯; DT (Decision Tree): 決策樹; ANN (Artificial Neural Network): 人工神經(jīng)網(wǎng)絡(luò); BT (Boosted Trees): 提升樹; GA-BPNN: 遺傳算法?反向傳播神經(jīng)網(wǎng)絡(luò); SVM?PSO: 粒子群算法優(yōu)化支持向量機; GB (Gradient Boosting): 梯度提升; ELM (Extreme Learning Machine): 極限學習機; LSTM (Long-Short Term Memory neural networks): 長短期記憶神經(jīng)網(wǎng)絡(luò); MLP (Multilayer Perceptron Neural Network Model): 多層感知機。

如今, 越來越多的研究者開始不局限于某種單一模態(tài)的數(shù)據(jù)收集, 他們將量表、行為、影像等數(shù)據(jù)進行整合, 試圖提高閱讀障礙篩查及其生物標志物檢測的準確性。納入分析的25篇文獻中使用的數(shù)據(jù)類型占比如下: 標準化心理教育測試和眼動特征數(shù)據(jù)各為28%, 其次是游戲測試數(shù)據(jù)為16%, MRI數(shù)據(jù)為12%, fMRI數(shù)據(jù)和EEG數(shù)據(jù)各為8%。

3.2 數(shù)據(jù)預(yù)處理、特征提取和特征選擇

數(shù)據(jù)預(yù)處理的主要目的是使算法能夠從數(shù)據(jù)集中提取最相關(guān)的可解釋特征(Usman et al., 2021)。對于傳統(tǒng)的機器學習方法, 預(yù)處理的第一步是將數(shù)據(jù)轉(zhuǎn)換為定量(數(shù)字)或定性(文本類別)格式。也有一些量表或行為數(shù)據(jù)采用手動預(yù)處理方式, 如請專家將數(shù)據(jù)標記為無閱讀障礙組和閱讀障礙組(Khan et al., 2018)。在腦成像研究中, 研究者直接收集的數(shù)據(jù)通常是高維度多變量的數(shù)據(jù)。以64個通道的EEG數(shù)據(jù)為例, 即使在一個通道上計算得到一個指標, 則至少得到64個特征值。當特征值數(shù)量大于樣本數(shù)量, 使用機器學習容易造成過擬合問題以及降低訓(xùn)練和預(yù)測速率。因此, 需要將高維度的特征降低到低維度的特征, 加快后續(xù)機器學習的分類和訓(xùn)練。例如, EEG信號預(yù)處理中常采用主成分分析(Principal Components Analysis, PCA)剔除數(shù)據(jù)次要成分的維度, 做到數(shù)據(jù)的降維(Ahire et al., 2022)。此外, 腦成像數(shù)據(jù)還可以使用不同類型的軟件工具包進行預(yù)處理。如fMRI圖像可使用matlab的SPM工具箱自動分割出不同的組織類型, 提高數(shù)據(jù)預(yù)處理時像素和體素的可比性(Zahia et al., 2020); 或者使用FreeSurfer圖像分析套件提取可靠的皮層體積和厚度(Plonski et al., 2017)。

預(yù)處理完成的下一步是特征選擇和提取, 目的是從原始特征中生成最相關(guān)、信息量最大的特征(Abd Rahman et al., 2020), 形成分類所需的數(shù)據(jù)集。標準化心理教育測試可選擇的特征一般有問卷／認知測試分數(shù)、書寫數(shù)據(jù)、語音數(shù)據(jù)等。眼動數(shù)據(jù)通常使用統(tǒng)計度量、基于離散和基于速度的算法選擇特征, 使用主成分分析法(Principal Component Analysis, PCA)提取特征。fMRI數(shù)據(jù)的特征提取是從腦組織屬性中提取大腦皮層屬性特征, 常見的特征有: 皮層厚度、體積信息、各向異性分數(shù)和激活模式等。在EEG數(shù)據(jù)中, 一般使用傅里葉變換和小波變換提取信號的時間和頻率信息。另外, 最近出現(xiàn)了一些新的特征提取方法, 如深度學習通過構(gòu)造不同的網(wǎng)絡(luò)結(jié)構(gòu)自動從數(shù)據(jù)中進行特征提取, 具有良好的穩(wěn)健性和較強的高維數(shù)據(jù)處理能力。例如, 在Ileri等人(2022)的研究中, 卷積神經(jīng)網(wǎng)絡(luò)(CNN)提供了輸入的分段EOG信號的自動分類, 無需手動提取特征。表2總結(jié)了納入分析的25篇文獻中的特征類型。

3.3 模型訓(xùn)練與分類

在特征提取與選擇完成之后, 研究者便可以利用機器學習進行模型訓(xùn)練與分類。機器學習大致分為兩種類型: 無監(jiān)督學習和有監(jiān)督學習。無監(jiān)督學習用于在不使用任何輸出數(shù)據(jù)的情況下查找輸入數(shù)據(jù)中的模式, 而監(jiān)督學習主要用于預(yù)測未來事件(Russell & Norvig, 2010)。在監(jiān)督學習中, 訓(xùn)練模型的目的是從標記的數(shù)據(jù)學習所有權(quán)重和偏差的理想值。近年來的研究一般使用監(jiān)督學習算法探究閱讀障礙患者和典型發(fā)展人群的分類問題。常見的算法有: 支持向量機(Support Vector Machines, SVM)、決策樹(Decision Tree, DT)、隨機森林(Random Forest, RF)、線性回歸(Linear Regression, Linear-R)、邏輯回歸(Logistic Regression, LR)、線性判別分析(Linear Discriminant Analysis, -LDA)、樸素貝葉斯(Na?ve Bayes)、K最近鄰(K-Nearest Neighbors, KNN)、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)等。在訓(xùn)練模型前, 通常要將整個數(shù)據(jù)集分為測試集(testing set)和訓(xùn)練集(training set)?，F(xiàn)有關(guān)于閱讀障礙的機器學習的研究大多使用K折交叉驗證(K-fold cross-validation), 將數(shù)據(jù)集分成K等份, 其中K?1份用于訓(xùn)練集, 1份用于測試集, 以K次測試結(jié)果的平均值作為最終的性能評估結(jié)果。例如, Plonski等人(2017)采用10倍交叉驗證法, AlGhamdi (2022)采用5倍交叉驗證法和20倍交叉驗證法。當樣本量較小時, 一些研究者也會選用K折交叉驗證的特殊形式——留一法(Leave-one-out cross-validation)構(gòu)建模型和評估分類結(jié)果(Cui et al., 2016; Asvestopoulou et al., 2019).

表2 機器學習在發(fā)展性閱讀障礙兒童早期篩查中的特征類型

閱讀障礙的識別問題在本質(zhì)上是二元分類問題, 即區(qū)分用戶是否為閱讀障礙者。SVM的原理是從解決線性二分類問題出發(fā), 可以為超高維且特征空間稀疏的數(shù)據(jù)提供良好的性能。因此, SVM成為閱讀障礙研究中應(yīng)用得最為廣泛的算法。Shamir等人(2019)采用SVM算法對基于標準化測試和zippy 6篩選測試的閱讀評估數(shù)據(jù)進行分類, 獲得了75%的特異性和靈敏度。Prabha和Bhargavi (2019)提出一種粒子群算法優(yōu)化支持向量機(SVM-PSO)模型用于從眼動特征中提取閱讀障礙的生物標記物。與線性支持向量機(Linear SVM )模型相比, 該模型的預(yù)測準確率達到了95%。此外, 研究者將SVM混合其他算法來識別閱讀障礙兒童。例如, 使用RF選擇最重要的特征作為SVM的輸入, 模型達到了89.7%的準確率和84.8%的召回率(Raatikainen et al., 2021)。

對于大數(shù)據(jù)間的復(fù)雜規(guī)律的挖掘來說, 深度學習的出現(xiàn)解決了這一難題。深度學習算法具有更多的層次結(jié)果, 因此對事物的建?；虺橄蟊憩F(xiàn)能力更強, 也能模擬更復(fù)雜的模型。ANN是深度學習的基礎(chǔ), 它模擬了大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能, 在不確定的識別(如語音識別、圖像識別)中尤其有效(Lucchiari et al., 2014)。Ahmad等人(2022)使用ANN模型對綜合游戲數(shù)據(jù)進行分類, 獲得了95%的檢測準確率。隨著神經(jīng)網(wǎng)絡(luò)的發(fā)展, 深度學習從淺層的ANN中衍生出來。其中, CNN是用于閱讀障礙分類的最受歡迎的深度學習模型(Usman et al., 2021)。Da Silva等人(2021)選取兩種網(wǎng)絡(luò)可視化技術(shù)在CNN輸入層中學習高級特征, 僅從腦成像數(shù)據(jù)(fMRI)就對閱讀障礙兒童的大腦狀態(tài)進行了精準分類, 達到94.8%的準確率。不僅如此, 研究者提出一種新的基于EOG信號的CNN方法來識別閱讀障礙。Latifoglu等人(2021)通過閱讀時的跳線和返回眼球運動來篩查和跟蹤閱讀障礙兒童。他們使用二維卷積神經(jīng)網(wǎng)絡(luò)(2D-CNN)模型對這些頻譜圖圖像進行分類, 獲得了99%的準確率、100%的靈敏度、98.18%的特異性和98.94%的F分數(shù)。Ileri等人(2022)從水平和垂直通道記錄EOG信號, 應(yīng)用一維卷積神經(jīng)網(wǎng)絡(luò)(1D-CNN)對這兩個通道的信號進行分類, 準確率分別為98.70%和80.94%。

事實上, 沒有任何一種算法能夠成為適用于所有數(shù)據(jù)集的最佳算法。算法的選擇受到問題性質(zhì)、數(shù)據(jù)集特征和數(shù)量、數(shù)據(jù)格式、訓(xùn)練和預(yù)測時間、存儲需求等多種因素的影響。因此, 研究者越來越傾向于在多種算法中尋找最佳算法以獲取最優(yōu)參數(shù)。研究的整體趨勢為從單一的傳統(tǒng)機器學習算法走向深度學習算法(Deep neural network, DNN)以及比較多種不同類型的算法。Tolami等人(2021)以語言特征為分類指標, 構(gòu)建了NB, KNN, SVM, LR, DT和MLP模型, 其中屬于深度學習的MLP算法的最高分類準確率達到93.33%。在中文閱讀障礙的研究中, Lee等人(2022)以漢字字符和個人特征為分類指標, 運用NB、KNN、SVM、DT、LR和ANN分別構(gòu)建模型, 發(fā)現(xiàn)這6種算法都可以將閱讀障礙兒童與典型發(fā)展兒童區(qū)分開來。其中, SVM獲得了80.0%的最高準確率。

基于納入分析的25篇文獻, 算法的使用頻次占比統(tǒng)計如下: SVM占比為27.3%, 其次是KNN和LR各占12.7%, CNN和RF各占9.1%, NB和DT各占5.5%, ANN占比為3.6%, BT、GA-BPNN、GB、ELM、LSTM、MLP、RUSBoosted和ET各占1.8%。

3.4 性能評估

閱讀障礙的結(jié)局變量均為二元分類變量, 對于二分類結(jié)果的評估首先需要對于不同樣本分類的分類結(jié)果進行4類劃分: 真陽性(True Positive, TP)、真陰性(True Negative, TN)、假陽性(False Positive, FP)、假陰性(False Negative, FN)。接著, 根據(jù)數(shù)據(jù)的類別劃分定義評估指標。對于二分類問題, 最常用的評估指標是整體準確率。但是, 準確率只能體現(xiàn)正(陽性)、負(陰性)類樣本合計的正確識別數(shù)占總樣本數(shù)的比例。在實際應(yīng)用中, 尤其是臨床篩查中往往會出現(xiàn)數(shù)據(jù)中的正負樣本量比例過大的問題。針對這些不平衡數(shù)據(jù)的分類問題, 需要采用多個指標對分類模型進行性能評估。其他常用的評估指標有: 靈敏度(Sensitivity)、特異性(Specificity)、精度(Precision)召回率(Recall)、F1分數(shù)(F1 score)、Kappa系數(shù)、AUROC曲線與P-R曲線、陽性預(yù)測值(Positive Predictive Value, PV+)與陰性預(yù)測值(Negative Predictive Value, PV?)等?；诩{入分析的25篇文獻, 機器學習模型的評估性能(以準確率為參考)總結(jié)如下: 標準化心理教育測試在68%～94.1%之間; 眼動追蹤測試在81.25%～99%之間; 游戲測試在74% ～ 99.9%之間; 基于EEG捕獲的腦成像數(shù)據(jù)在89% ～ 90%之間; 基于fMRI捕獲的腦成像數(shù)據(jù)在65% ～ 94.83%之間。

4 基于機器學習的閱讀障礙早期篩查的研究應(yīng)用

4.1 發(fā)現(xiàn)閱讀障礙的預(yù)測因素

機器學習最主要的優(yōu)勢在于模型的靈活度, 即可以擬合相當復(fù)雜的多項交互關(guān)系或者非線性關(guān)系, 由此產(chǎn)生令人矚目的預(yù)測準確性。特別是研究涉及到預(yù)測性問題, 如預(yù)測微博用戶的自殺風險、抑郁癥的易感人群等, 機器學習的統(tǒng)計效果尤其突出。

基于機器學習有助于發(fā)現(xiàn)閱讀障礙的預(yù)測因素, 我們可以有效檢出具有閱讀障礙風險的兒童對其進行及時干預(yù), 從而降低兒童識字后甚至成年后閱讀失敗的可能性。例如, Tamboer等人(2016)借助MRI技術(shù)構(gòu)建SVM預(yù)測模型, 發(fā)現(xiàn)最可靠的分類體素位于左側(cè)枕葉梭狀回(Left Occipital Fusiform Gyrus, LOFG)、右側(cè)枕葉梭狀回(Right Occipital Fusiform Gyrus, ROFG)和左側(cè)頂下小葉(Left Inferior Parietal Lobule, LIPL), 敏感性達到82%, 特異性達到78%。因此, 這些腦區(qū)是與閱讀、拼寫和語音相關(guān)的閱讀障礙類型的潛在生物標志物。Prabha和Bhargavi (2019)基于SVM-PSO構(gòu)建的預(yù)測模型顯示, 平均注視次數(shù)、平均注視時間、平均掃視時間、總掃視次數(shù)和平均注視次數(shù)等眼動特征可以作為兒童閱讀障礙的風險預(yù)測指標。該模型預(yù)測的準確率高達95%。Formoso等人(2021)收集兒童的EEG信號, 通過腦電通道之間的相位同步來表示腦區(qū)之間的連通性。研究結(jié)果顯示在16 Hz的刺激下, alpha和beta波段的辨別能力最強, AUC值達到0.95。在中文閱讀障礙的研究中, Wang和Bi (2022)構(gòu)建了基于遺傳算法?反向傳播神經(jīng)網(wǎng)絡(luò)模型(GA-BPNN)的中文閱讀障礙預(yù)測模型, 發(fā)現(xiàn)閱讀準確性是預(yù)測漢語閱讀困難兒童的最強因素, 語音意識、假字準確率、語素意識、閱讀流暢性、快速數(shù)字命名和非字符反應(yīng)時間對預(yù)測也具有重要貢獻?；诩{入本次系統(tǒng)綜述的文獻, 最具預(yù)測性的特征總結(jié)詳見表3。

4.2 輔助篩查閱讀障礙兒童

閱讀障礙兒童的傳統(tǒng)篩查主要通過專業(yè)的醫(yī)療機構(gòu)和科研機構(gòu)進行, 方法以標準化心理教育測試結(jié)合兒童外在行為和家長報告為主。雖然近年來眼動追蹤和腦成像技術(shù)為閱讀障礙篩查提供了更加客觀的技術(shù)支持, 但通過這些復(fù)雜的測量工具來對每一個閱讀障礙患者進行大范圍識別幾乎是不可能的。同時, 這些測量工具還存在著價格昂貴、耗時長、普及性差、就診渠道窄等弊端。為此, 機器學習被用來輔助臨床篩查和自動化識別, 不僅可以納入大量客觀分類指標提高準確率, 而且方便快捷, 降低等待成本。

Asvestopoulou等人(2019)開發(fā)了一款閱讀障礙的篩查工具DysLexML, 通過眼動追蹤記錄兒童默讀期間的注視點, 應(yīng)用LSVM構(gòu)建篩查模型, 準確率達到97%。值得一提的是, DysLexML在存在噪聲的情況下依然具有良好的穩(wěn)健性和準確率。因此, DysLexML可以覆蓋更多數(shù)量和更多樣化的人群, 為在控制較少、規(guī)模較大的環(huán)境中(如幼兒園)開發(fā)廉價的眼動篩查工具奠定了基礎(chǔ)。

以往研究認為, 閱讀障礙與虛擬Hebb- Williams迷宮任務(wù)的表現(xiàn)相關(guān), 但是通過實時觀察任務(wù)表現(xiàn)來對閱讀障礙兒童進行分類尚不可行(Gabel et al., 2021)。Yu等人(2022)基于機器學習算法開創(chuàng)性地根據(jù)迷宮任務(wù)的表現(xiàn)預(yù)測閱讀能力, 實現(xiàn)以閱讀風險的百分比形式實時反饋閱讀成績。他們以虛擬迷宮數(shù)據(jù)、閱讀水平和個人特征為指標, 利用RUSBoosted樹算法(RUSBoosted Trees algorithm)構(gòu)建的模型分類準確率達到70%以上。隨著計算機網(wǎng)絡(luò)的發(fā)展和電子產(chǎn)品的普及, 以在線評估平臺或應(yīng)用程序初步篩查閱讀障礙的方式逐漸流行起來。研究者開發(fā)了一款分析真實環(huán)境下音頻信號的應(yīng)用程序Dystech, 他們發(fā)現(xiàn)與適當?shù)囊纛l信號處理相關(guān)的機器學習算法可以提取出人類專家無法獲取的模式, 篩查準確率達到80%(Radford et al., 2021)。Rauschenberger等人(2022)設(shè)計了一款語言獨立游戲MusVis, 使用RF和額外樹(Extra trees, ET)對收集到的游戲數(shù)據(jù)進行訓(xùn)練, 德語和西班牙語閱讀障礙的分類準確率分別達到74%和69%。

4.3 預(yù)測閱讀障礙高風險兒童

人們普遍認為閱讀障礙具有遺傳基礎(chǔ)(約70%) (蘇萌萌等, 2012; Galaburda et al., 2006)。即使部分有家庭風險的兒童沒有出現(xiàn)閱讀障礙, 但是他們在拼寫、非單詞閱讀和閱讀理解等任務(wù)上的表現(xiàn)仍然比典型發(fā)展兒童要差(Lyytinen et al., 2005)。在早期發(fā)現(xiàn)具有高風險的閱讀障礙的兒童將使早期預(yù)防和干預(yù)成為可能。這種早期預(yù)測功能可通過訓(xùn)練機器學習預(yù)測模型來實現(xiàn)。Skeide等人(2016)認為與識字相關(guān)的重要腦區(qū)的神經(jīng)可塑性可能受到遺傳變異的調(diào)控, 從而預(yù)先限制了兒童的讀寫能力。為此, 他們采集了4～8年級兒童和幼兒園～1年級兒童的灰/白質(zhì)體積以及與識字相關(guān)的基因信息, 利用LSVM構(gòu)建了閱讀障礙的預(yù)測模型, 其準確率分別達到了73%和75%。Chen等人(2017)根據(jù)詞匯發(fā)展量表分析了17～35個月的兒童的詞匯總量和詞匯類別的群體水平差異, 使用SVM來對家庭風險的閱讀障礙兒童和典型發(fā)展兒童進行分類。研究結(jié)果顯示風險預(yù)測模型的準確率為68%, 敏感性為70%, 特異性為67%, 表明通過機器學習可以在識字前的早期階段區(qū)分出有家庭風險的閱讀障礙兒童和典型發(fā)展兒童。這個階段有家庭風險的閱讀障礙兒童的顳頂葉和顳枕葉區(qū)域已經(jīng)顯示出功能和結(jié)構(gòu)上的改變, 并且類似于閱讀障礙患者中觀察到的變化(Hosseini et al., 2013; Kraft et al., 2015)。

表3 機器學習在發(fā)展性閱讀障礙兒童早期篩查中最具預(yù)測性的特征

5 機器學習應(yīng)用于兒童閱讀障礙早期篩查的優(yōu)勢與不足

5.1 優(yōu)勢

近年來, 機器學習在閱讀障礙及其生物標志物檢測中的應(yīng)用越來越受到研究者的青睞, 其優(yōu)勢主要體現(xiàn)在以下三個方面。第一, 機器學習可以識別變量之間復(fù)雜的非線性關(guān)系, 提供對閱讀障礙更加精準的篩查與發(fā)展性預(yù)測。閱讀障礙是多種因素相互作用的結(jié)果(Morris et al., 1998), 傳統(tǒng)的統(tǒng)計學方法(如邏輯回歸)所確定的單個或多個預(yù)測因子存在預(yù)測能力弱或是無法體現(xiàn)因子間的交互作用的缺點, 不能對數(shù)據(jù)進行充分挖掘。機器學習則更適合分析閱讀障礙這一類結(jié)構(gòu)復(fù)雜問題。以反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)為例, BPNN作為人類大腦工作機制的模擬, 不僅可以處理模糊映射關(guān)系, 還可以識別變量之間復(fù)雜的非線性關(guān)系(Lyu & Zhang, 2019)。無論是在字母語言還是漢語中, 通過采集與閱讀相關(guān)的認知測試或語音測試數(shù)據(jù), BPNN模型皆可有效篩查出閱讀障礙兒童(Wang & Bi, 2022)。第二, 與人為識別閱讀障礙的方式相比, 機器學習一方面避免了主觀理解偏差的影響, 另一方面能夠自動化重復(fù)的任務(wù), 在更短的時間內(nèi)分析更多的數(shù)據(jù), 實現(xiàn)比人工算法更高的準確性和可重復(fù)性。第三, 機器學習具備強大的高維數(shù)據(jù)處理能力, 可從腦成像數(shù)據(jù)中提取出額外的、關(guān)鍵性的區(qū)辨性信息, 檢測到人眼無法觀測到的可能反映重要病理生理機制的微小成像的異常。大腦功能和發(fā)育的差異是閱讀障礙風險的早期跡象。隨著年齡增長, 突觸的快速形成使得兒童大腦的激活模式發(fā)生變化, 但除非嚴重受傷或病危, 大腦結(jié)構(gòu)從童年到成年保持不變。因此, 高維的腦成像數(shù)據(jù)可為閱讀障礙的識別提供更準確的結(jié)果。例如, Da Silva等人(2021)從大腦成像對發(fā)展性閱讀障礙兒童進行了94.8%的準確分類, 同時利用特征可視化技術(shù)(CAM)和基于梯度的特征可視化技術(shù)(Grad-CAM)在卷積神經(jīng)網(wǎng)絡(luò)層負責學習高級特征, 提供了閱讀障礙兒童和典型發(fā)展兒童在閱讀的策略控制和注意過程中相關(guān)的大腦區(qū)域的可視化圖像。這種在切片水平上對大腦狀態(tài)的預(yù)測, 以及隨后生成的與分類相關(guān)的更細粒度的特征信息可以提高模型的可解釋性。

5.2 不足和啟示

首先, 缺少對最佳干預(yù)期的被試群體研究。閱讀障礙具有可遺傳性, 68%的同卵雙胞胎和高達40%～60%的一級親屬之間共同患有閱讀障礙(Vogler et al., 1985)。幾個閱讀障礙的候選基因, 如ROBO1, DCDC2, DYX1C1, KIAA0319, 已經(jīng)證實在兒童的大腦發(fā)育中發(fā)揮著重要作用(Galaburda et al., 2006)。兒童大腦可塑性增強的早期階段處于幼兒園至小學1年級期間, 是閱讀障礙早期干預(yù)的最佳時期(Fox et al., 2010)。研究發(fā)現(xiàn), 對幼兒園和1年級的高危閱讀障礙兒童進行有效干預(yù)的效果(平均效應(yīng)量為0.31～0.84)遠高于2年級和3年級的高危閱讀障礙兒童(平均效應(yīng)量為0.23～0.27) (Wanzek & Vaughn, 2007)。為此, 在最佳干預(yù)期之前對閱讀障礙兒童, 尤其是對有家庭風險的閱讀障礙兒童進行精準的早期識別至關(guān)重要。遺憾的是, 基于上述回顧的所有文獻, 僅有一項機器學習的閱讀障礙研究的被試年齡較小(17～35個月), 其余研究中被試年齡段在6～17歲之間, 兒童識字前(3～7歲)這一階段的研究幾乎是空白2筆者注：Skeide等人(2016)的研究共141名被試, 其中20名被試年齡為5～6歲。這20名被試在5～6之間進行MRI掃描, 約1.7年后的7～9歲左右進行識字能力評估, 因此在此處未納入3～7歲的范疇。。未來研究需要在兒童識字前廣泛收集他們及一級親屬的相關(guān)數(shù)據(jù), 關(guān)注遺傳和環(huán)境中可能的風險因素, 建立多模態(tài)數(shù)據(jù)庫, 借助機器學習的強大分類功能篩選閱讀障礙兒童并確立較為穩(wěn)定的行為/生物標記物, 最終搭建方便、快捷、精準、科學的早期篩查系統(tǒng)。

其次, 機器學習研究中采集的數(shù)據(jù)質(zhì)量參差不齊, 采集標準不統(tǒng)一, 數(shù)據(jù)樣本不足?；跈C器學習的閱讀障礙數(shù)據(jù)庫采集呈現(xiàn)單一數(shù)據(jù)庫到多方數(shù)據(jù)庫、單一模態(tài)到多模態(tài)的趨勢。由于數(shù)據(jù)庫來自不同的實驗室和不同的人群, 采集標準尚未統(tǒng)一, 數(shù)據(jù)分布的特征不同, 大量的數(shù)據(jù)不兼容、結(jié)構(gòu)復(fù)雜。因此有必要建立標準化異構(gòu)數(shù)據(jù)庫, 提高模型所需的計算力, 避免資源浪費。采集標準不統(tǒng)一的現(xiàn)象尤其充斥于閱讀障礙兒童的腦成像數(shù)據(jù)庫。一方面, 成像設(shè)備型號、參數(shù)不統(tǒng)一會對數(shù)據(jù)質(zhì)量產(chǎn)生一定影響。由于缺乏權(quán)威、固定的標準, 腦成像的可重復(fù)性得不到一致認可。另一方面, 分類的準確率在很大程度上取決于樣本量大小。相較于問卷、行為數(shù)據(jù), 各課題組公開/非公開的閱讀障礙相關(guān)數(shù)據(jù)庫中腦成像數(shù)據(jù)量較少。用小樣本訓(xùn)練的模型很容易陷入對小樣本的過擬合以及對目標任務(wù)的欠擬合。針對以上問題, 首先可以通過國際合作建立數(shù)據(jù)采集以及數(shù)據(jù)共享的統(tǒng)一標準的平臺, 實現(xiàn)腦成像數(shù)據(jù)的可重復(fù)性應(yīng)用。其次, 可以通過增多訓(xùn)練數(shù)據(jù)、縮小模型需要搜索的空間和優(yōu)化搜索最優(yōu)模型的過程等方式進行補救。

再者, 暫時無法在臨床實踐中達到高轉(zhuǎn)化力并得到更廣泛的使用。雖然大量的研究發(fā)現(xiàn)大腦形態(tài)、眼球運動和正常聽覺系統(tǒng)中檢測到的變化可以作為閱讀障礙識別的神經(jīng)生物標記物, 但傳統(tǒng)門診對于閱讀障礙的篩查依舊以標準化心理教育測試(行為標記)為主。這是由于標準化心理教育測試具有測驗內(nèi)容有代表性、標準化程度高、信效度高和使用方便經(jīng)濟等優(yōu)點。機器學習目前尚不具備臨床轉(zhuǎn)化的必備條件。首先, 訓(xùn)練數(shù)據(jù)欠缺代表性。實驗數(shù)據(jù)通常是在控制實驗無關(guān)變量的前提下尋求對典型樣本的估計, 但如果我們的目的是是創(chuàng)建可推廣的預(yù)測算法, 樣本需囊括實際生活中大量的個體化病例。其次, 機器學習模型可解釋性和透明度低。存在“算法黑箱”, 輸入的數(shù)據(jù)和輸出答案之間存在不可觀察的空間, 甚至開發(fā)人員都不能完全理解算法運作的具體細節(jié)。再者, 機器學習的性能指標不具備臨床適用性, 如F1分數(shù)、召回率可能無法適用于臨床環(huán)境, 很難被臨床醫(yī)生和研究人員理解。最后, 干預(yù)方法的驗證研究不足。閱讀障礙的早期篩查的最終目的是為了給兒童提供行之有效的早期干預(yù)。但是, 目前僅有兩項研究將機器學習與閱讀障礙干預(yù)聯(lián)系起來(Atkar & Jayaraju, 2021; Oliaee et al., 2022)。之前對基于機器學習的閱讀障礙的EEG研究主要是通過腦電圖的組間差異(特別是單個頻段的功率)來區(qū)分閱讀障礙兒童和典型發(fā)展兒童。Oliaee等人(2022)開創(chuàng)性地對特定治療計劃前后的閱讀障礙兒童進行分類, 為評估閱讀障礙治療方案的有效性提供了新的方法。他們利用PCA和序列前向選擇(Sequential Floating Forward Selection, SFFS)算法, 從記錄的腦電圖信號中提取出最優(yōu)特征子集, 發(fā)現(xiàn)閱讀障礙兒童在接受經(jīng)顱直流電刺激(Transcranial Direct Current Stimulation, tDCS)治療和認知訓(xùn)練前后的腦電信號在不同區(qū)域的頻譜和相位相關(guān)特征上發(fā)生了顯著變化, 最具識別力的特征子集的分類準確率達到92%。Atkar和Jayaraju (2021)使用一種深度學習?無監(jiān)督學習的生成對抗網(wǎng)絡(luò)模型(Generative Adversarial Networks, GAN)生成兩個或三個字母的印地語單詞的原始音頻數(shù)據(jù), 使用生成的數(shù)據(jù)建立MelGAN系統(tǒng)。該系統(tǒng)通過讓閱讀障礙兒童重復(fù)單詞的正確發(fā)音來加快恢復(fù)過程, 旨在為教師提供一個有效的輔助工具。雖然使用機器學習評估干預(yù)效果以及輔助創(chuàng)建干預(yù)工具開始走進研究人員的視野, 但它們的實用性和可驗證性仍有待進一步提高。

最后, 被試的數(shù)據(jù)安全和隱私保護受到威脅。機器學習模型訓(xùn)練需要大量數(shù)據(jù), 但數(shù)據(jù)庫往往包含大量隱私數(shù)據(jù), 如個人身份信息、家庭信息等。如何低成本且高效地防止隱私泄漏變得極為重要。Usman和Muniyandi (2020)構(gòu)建了一種基于CNN模型和余數(shù)模型(RNS)進行閱讀障礙安全分類的方法。他們利用RNS的特殊模塊集開發(fā)了一個像素?比特流編碼器, 在使用級聯(lián)CNN進行分類之前對訓(xùn)練集和測試集中MRI數(shù)據(jù)的每個像素的7位二進制值進行加密, 再使用加密測試數(shù)據(jù)集預(yù)測閱讀障礙兒童。此外, 在數(shù)據(jù)共享之前制定知情同意、倫理審核同樣有利于防止?jié)撛诘臄?shù)據(jù)濫用。

綜上所述, 機器學習已被逐漸應(yīng)用于閱讀障礙的早期篩查中。數(shù)據(jù)采集方式從單一模態(tài)向多模態(tài)的異構(gòu)數(shù)據(jù)轉(zhuǎn)變, 并使用多種模型驗證最佳分類效果, 分類性能在67%～100%之間。當前使用最多的機器學習算法是SVM, 未來深度學習有望為閱讀障礙實現(xiàn)更高的分類性能。在應(yīng)用中, 閱讀障礙的機器學習研究仍存在樣本量少、臨床實踐率低、多模態(tài)數(shù)據(jù)結(jié)合不足、分類性能有待提高等問題。并且, 缺少對最佳干預(yù)期的兒童群體研究, 沒有真正實現(xiàn)閱讀障礙兒童的早期篩查。未來的研究首先應(yīng)重點關(guān)注學齡前兒童的風險識別, 著眼于閱讀障礙的早期篩查的標記物研究。其次, 由于閱讀障礙并不特定于某個地區(qū)、語言和文化, 因此需要開發(fā)獨立于語言的數(shù)據(jù)收集方法以建立統(tǒng)一標準的閱讀障礙數(shù)據(jù)庫。最后, 未來的研究需要采集多個來源數(shù)據(jù)(如量表、行為、腦成像等)、混合多種模型以及考慮多模態(tài)的深度學習框架提高機器學習的預(yù)測力, 不斷優(yōu)化構(gòu)建的閱讀障礙篩查模型, 最終實現(xiàn)臨床實踐中的廣泛使用。

*為納入系統(tǒng)分析的文獻

蘇萌萌, 張玉平, 史冰潔, 舒華. (2012). 發(fā)展性閱讀障礙的遺傳關(guān)聯(lián)分析.,(8), 1259?1267.

Aaron, P. G., Joshi, M., & Williams, K. A. (1999). Not all reading disabilities are alike.,(2), 120?137. https://doi.org/10.1177/002221949903200203

Abd Rahman, R., Omar, K., Noah, S. A. M., Danuri, M. S. N. M., & Al-Garadi, M. A. (2020). Application of machine learning methods in mental health detection: A systematic review.,, 183952?183964. https://doi.org/10.1109/ ACCESS. 2020.3029154

Ahire, N., Awale, R. N., Patnaik, S., & Wagh, A. (2022). A comprehensive review of machine learning approaches for dyslexia diagnosis.,, 13557?13577. https://doi.org/10.1007/s11042-022-13939-0

*Ahmad, N., Rehman, M. B., El Hassan, H. M., Ahmad, I., & Rashid, M. (2022). An efficient machine learning-based feature optimization model for the detection of dyslexia.,, 8491753. https://doi.org/10.1155/2022/8491753

*AlGhamdi, A. S. (2022). Novel ensemble model recommendation approach for the detection of dyslexia.,, 1337. https://doi.org/10.3390/children9091337

*Asvestopoulou, T., Manousaki, V., Psistakis, A., Smyrnakis, I., Andreadakis, V., Aslanides, I. M., & Papadopouli, M. (2019). DysLexML: Screening tool for dyslexia using machine learning.https://doi.org/10.48550/arXiv. 1903.06274

Atkar, G., & Jayaraju, P. (2021). Speech synthesis using generative adversarial network for improving readability of Hindi words to recuperate from dyslexia.,(15), 9353?9362. https://doi.org/ 10.1007/s00521-021-05695-3

Ballester, P. L., da Silva, L. T., Marcon, M., Esper, N. B., Frey, B. N., Buchweitz, A., & Meneguzzi, F. (2021). Predicting brain age at slice level: Convolutional neural networks and consequences for interpretability.,, 598518. https://doi.org/10.3389/ fpsyt.2021.598518

*Bhargavi, R., & Prabha, A. J. (2020). Predictive model for dyslexia from fixations and saccadic eye movement events.,(5), 105538. https://doi.org/10.1016/j.cmpb.2020.105538

Borleffs, E., Glatz, T. K., Daulay, D. A., Richardson, U., Zwarts, F., & Maassen, B. A. M. (2018). GraphoGame SI: The development of a technology-enhanced literacy learning tool for standard Indonesian.,(4), 595?613. https:// doi.org/10.1007/s10212-017-0354-9

Burns, M. K., VanDerHeyden, A. M., Duesenberg-Marshall, M. D., Romero, M. E., Stevens, M. A., Izumi, J. T., & McCollom, E. M. (2022). Decision accuracy of commonly used dyslexia screeners among students who are potentially at-risk for reading difficulties.. Advance online publication. https:// doi.org/10.1177/07319487221096684

Catts, H. W., McIlraith, A., Bridges, M. S., & Nielsen, D. C. (2017). Viewing a phonological deficit within a multifactorial model of dyslexia.,(3), 613?629. https://doi.org/10.1007/s11145-016-9692-2

Catts, H. W., & Petscher, Y. (2022). A cumulative risk and resilience model of dyslexia.,(3), 171?184. https://doi.org/10.1177/ 00222194211037062

*Chen, A., Wijnen, F., Koster, C., & Schnack, H. (2017). Individualized early prediction of familial risk of dyslexia: A study of infant vocabulary development.,, 156. https://doi.org/10.3389/fpsyg.2017. 00156

Chimeno, Y. G., Zapirain, B. G., Prieto, I. S., & Fernandez- Ruanova, B. (2014). Automatic classification of dyslexic children by applying machine learning to fMRI images.,(6), 2995? 3002. https://doi.org/10.3233/BME-141120

*Cui, Z. X., Xia, Z. C., Su, M. M., Shu, H., & Gong, G. L. (2016). Disrupted white matter connectivity underlying developmental dyslexia: A machine learning approach.,(4), 1443?1458. https://doi.org/ 10.1002/hbm.23112

*Da Silva, L. T., Esper, N. B., Ruiz, D. D., Meneguzzi, F., & Buchweitz, A. (2021). Visual explanation for identification of the brain bases for developmental dyslexia on fMRI data.,, 584659. https://doi.org/10.3389/fncom.2021.594659

Farah, R., Ionta, S., & Horowitz-Kraus, T. (2021). Neuro- behavioral correlates of executive dysfunctions in dyslexia over development from childhood to adulthood.,, 708863. https://doi.org/10.3389/fpsyg. 2021.708863

Fletcher, J. M., Lyon, G. R., Fuchs, L. S., & Barnes, M. A. (2019).(2nd ed). The Guilford Press.

*Formoso, M. A., Ortiz, A., Martinez-Murcia, F. J., Gallego, N., & Luque, J. L. (2021). Detecting phase-synchrony connectivity anomalies in EEG signals. Application to dyslexia diagnosis.,(21), 7061. https://doi.org/ 10.3390/s21217061

Fox, S. E., Levitt, P., & Nelson, C. A. (2010). How the timing and quality of early experiences influence the development of brain architecture.,(1), 28?40. https://doi.org/10.1111/j.1467-8624.2009. 01380.x

Gabel, L. A., Voss, K., Johnson, E., Lindstrom, E. R., Truong, D. T., Murray, E. M., … Gruen, J. R. (2021). Identifying dyslexia: Link between maze learning and dyslexia susceptibility gene, DCDC2, in young children.,(2), 116?133. https://doi.org/ 10.1159/000516667

Galaburda, A. M., LoTurco, J., Ramus, F., Fitch, R. H., & Rosen, G. D. (2006). From genes to behavior in developmental dyslexia.,(10), 1213?1217. https://doi.org/10.1038/nn1772

Gilvary, C., Elkhader, J., Madhukar, N., Henchcliffe, C., Goncalves, M. D., & Elemento, O. (2020). A machine learning and network framework to discover new indications for small molecules.,(8), e1008098. https://doi.org/10.1371/journal.pcbi.1008098

Hale, J., Alfonso, V., Berninger, V., Bracken, B., Christo, C., Clark, E., …Yalof, J. (2010). Critical issues in response- to-intervention, comprehensive evaluation, and specific learning disabilities identification and intervention: An expert white paper consensus.,(3), 223?236. https://doi.org/10.1177/ 073194871003300310

*Hmimdi, A., Ward, L. M., Palpanas, T., & Kapoula, Z. (2021). Predicting dyslexia and reading speed in adolescents from eye movements in reading and non-reading tasks: A machine learning approach.,(10), 1337. https://doi.org/10.3390/brainsci11101337

Hosseini, S. M. H., Black, J. M., Soriano, T., Bugescu, N., Martinez, R., Raman, M. M., … Hoeft, F. (2013). Topological properties of large-scale structural brain networks in children with familial risk for reading difficulties.,, 260?274. https://doi.org/ 10.1016/j.neuroimage.2013.01.013

*Ileri, R., Latifoglu, F., & Demirci, E. (2022). A novel approach for detection of dyslexia using convolutional neural network with EOG signals.,(11), 3041?3055. https:// doi.org/10.1007/s11517-022-02656-3

Kaisar, S. (2020). Developmental dyslexia detection using machine learning techniques: A survey.,(3), 181?184. https://doi.org/10.1016/j.icte.2020.05.006

Khan, R. U., Lee, J., & Yin, B. O. (2018). Machine learning and dyslexia: Diagnostic and classification system (DCS) for kids with learning disabilities.,(3), 97?100.

Kraft, I., Cafiero, R., Schaadt, G., Brauer, J., Neef, N. E., Mueller, B., … Skeide, M. A. (2015). Cortical differences in preliterate children at familiar risk of dyslexia are similar to those observed in dyslexic readers.,(9), e378. https://doi.org/10.1093/brain/awv036

Larco, A., Carrillo, J., Chicaiza, N., Yanez, C., & Luján- Mora, S. (2021). Moving beyond limitations: Designing the Helpdys App for children with dyslexia in rural areas.,, 7801. https://doi.org/10.3390/su13137081

*Latifoglu, F., Ileri, R., & Demirci, E. (2021). Assessment of dyslexic children with EOG signals: Determining retrieving words/re-reading and skipping lines using convolutional neural networks.,, 110721. https://doi.org/10.1016/j.chaos.2021.110721

*Lee, S. M. K., Liu, H. W., & Tong, S. X. (2022). Identifying chinese children with dyslexia using machine learning with character dictation.. https://doi.org/10.1080/10888438.2022.2088373.

Livingston, E. M., Siegel, L. S., & Ribary, U. (2018). Developmental dyslexia: Emotional impact and consequences.,(2), 107?135. https://doi.org/10.1080/19404158.2018.1479975

Lucchiari, C., Folgieri, R., & Pravettoni, G. (2014). Fuzzy cognitive maps: A tool to improve diagnostic decisions.,(4), 289?293. https://doi.org/10.1515/ dx-2014-0026

Lyu, J., & Zhang, J. (2019). BP neural network prediction model for suicide attempt among Chinese rural residents.,, 465?473. https:// doi.org/10.1016/j.jad.2018.12.111

Lyytinen, P., Eklund, K., & Lyytinen, H. (2005). Language development and literacy skills in late-talking toddlers with and without familial risk for dyslexia.,(2), 166?192. https://doi.org/10.1007/s11881- 005-0010-y

McGrath, L. M., Peterson, R. L., & Pennington, B. F. (2020). The multiple deficit model: Progress, problems, and prospects.,(1), 7?13. https://doi.org/10.1080/10888438.2019.1706180

Miciak, J., & Fletcher, J. M. (2020). The critical role of instructional response for identifying dyslexia and other learning disabilities.,(5), 343?353. https://doi.org/10.1177/0022219420906801

Miciak, J., Stuebing, K. K., Vaughn, S., Roberts, G., Barth, A. E., & Fletcher, J. M. (2014). Cognitive attributes of adequate and inadequate responders to reading intervention in middle school.,(4), 407?427. https://doi.org/10.17105/SPR-13-0052.1

Morris, R. D., Stuebing, K. K., Fletcher, J. M., Shaywitz, S. E., Lyon, G. R., Shankweiler, D. P., … Shaywitz, B. A. (1998). Subtypes of reading disability: Variability around a phonological core.,(3), 347?373. https://doi.org/10.1037/0022-0663.90.3.347

Ojanen, E., Ronimus, M., Ahonen, T., Chansa-Kabali, T., February, P., Jere-Folotiya, J., … Lyytinen, H. (2015). GraphoGame — A catalyst for multi-level promotion of literacy in diverse contexts.,, 671. https://doi.org/10.3389/fpsyg.2015.00671

Oliaee, A., Mohebbi, M., Shirani, S., & Rostami, R. (2022). Extraction of discriminative features from EEG signals of dyslexic children; before and after the treatment.,(6), 1249?1259. https:// doi.org/10.1007/s11571-022-09794-2.

Ortiz, A., Martinez-Murcia, F. J., Luque, J. L., Gimenez, A., Morales-Ortega, R., & Ortega, J. (2020). Dyslexia diagnosis by EEG temporal and spectral descriptors: An anomaly detection approach.,(7). 2050029. https://doi.org/10.1142/ S012906572050029X

*Plonski, P., Gradkowski, W., Altarelli, I., Monzalvo, K., van Ermingen-Marbach, M., Grande, M., … Jednorog, K. (2017). Multi-parameter machine learning approach to the neuroanatomical basis of developmental dyslexia.,(2), 900?908. https://doi.org/10.1002/ hbm.23426

*Prabha, A. J., & Bhargavi, R. (2019). Prediction of dyslexia from eye movements using machine learning.(2), 814?823. https://doi.org/ 10.1080/03772063.2019.1622461

Raatikainen, P., Hautala, J., Loberg, O., K?rkk?inen, T., Lepp?nen, P., & Nieminen, P. (2021). Detection of developmental dyslexia with machine learning using eye movement data.,, 100087. https://doi.org/10. 1016/j.array.2021.100087

*Radford, J., Richard, G., Richard, H., & Serrurier, M. (2021, February).Proceedings of the 14th International Joint Conference on Biomedical Engineering Systems and Technologies?HEALTHINF (pp. 58?66), Electr Network. https://doi.org/10.5220/0010196000580066

*Rauschenberger, M., Baeza-Yates, R., & Rello, L. (2022). A universal screening tool for dyslexia by a web-game and machine learning.,628634. https://doi.org/10.3389/fcomp.2021.628634

*Rello, L., Baeza-Yates, R., Ali, A., Bigham, J. P., & Serra, M. (2020). Predicting risk of dyslexia with an online gamified test.,(12), e0241687. https:// doi.org/10.1371/journal.pone.0241687

Richlan, F., Kronbichler, M., & Wimmer, H. (2013). Structural abnormalities in the dyslexic brain: A meta- analysis of voxel-based morphometry studies.,(11), 3055?3065. https://doi.org/ 10.1002/hbm.22127

Russell, S. J., & Norvig, P. (2010).. Hoboken, NJ: Prentice Hall.

Sanfilippo, J., Ness, M., Petscher, Y., Rappaport, L., Zuckerman, B., & Gaab, N. (2020). Reintroducing dyslexia: Early identification and implications for pediatric practice.,(1), e20193046. https:// doi.org/10.1542/peds.2019-3046

*Shamir, N., Zivan, M., & Horowitz‐Kraus, T. (2019). Six‐minute screening test can provide valid information about the skills that underlie childhood reading and cognitive abilities.,(7), 1278?1284. https://doi.org/10.1111/apa.14680

Sihvonen, A. J., Virtala, P., Thiede, A., Laasonen, M., & Kujala, T. (2021). Structural white matter connectometry of reading and dyslexia.,118411. https://doi.org/10.1016/j.neuroimage.2021.118411

*Skeide, M. A., Kraft, I., Mueller, B., Schaadt, G., Neef, N. E., Brauer, J., … Friederici, A. D. (2016). NRSN1 associated grey matter volume of the visual word form area reveals dyslexia before school.,, 2792?2803. https://doi.org/10.1093/brain/aww153

Tamboer, P., Vorst, H. C. M., Ghebreab, S., & Scholte, H. S. (2016). Machine learning and dyslexia: Classification of individual structural neuro-imaging scans of students with and without dyslexia.,, 508?514. https://doi.org/10.1016/j.nicl.2016.03.014

Thiede, A., Glerean, E., Kujala, T., & Parkkonen, L. (2020). Atypical MEG inter-subject correlation during listening to continuous natural speech in dyslexia.,, 116799. https://doi.org/10.1016/j.neuroimage.2020.116799

*Tolami, F. A., Khorasani, M., Kahani, M., Yazdi, S. A. A., & Ghalenoei, M. A. (2021, October).. 11th International Conference on Computer Engineering and Knowledge (ICCKE) (pp. 393?398), Mashad, Iran. https:// doi.org/10.1109/ICCKE54056.2021.9721446

Usman, O. L., & Muniyandi, R. C. (2020). CryptoDL: Predicting dyslexia biomarkers from encrypted neuroimaging dataset using energy-efficient residue number system and deep convolutional neural network.,(5), 836. https://doi.org/10.3390/sym12050836

Usman, O. L., Muniyandi, R. C., Omar, K., & Mohamad, M. (2021). Advance machine learning methods for dyslexia biomarker detection: A review of implementation details and challenges.,, 36879?36897. https:// doi.org/10.1109/ACCESS.2021.3062709

*Vajs, I., Kovic, V., Papic, T., Savic, A. M., & Jankovic, M. M. (2022). Spatiotemporal eye-tracking feature set for improved recognition of dyslexic reading patterns in children.,(13), 4900. https://doi.org/10.3390/ s22134900

Vandermosten, M., Boets, B., Wouters, J., & Ghesquiere, P. (2012). A qualitative and quantitative review of diffusion tensor imaging studies in reading and dyslexia.,(6), 1532?1552. https:// doi.org/10.1016/j.neubiorev.2012.04.002

Vogler, G. P., Defries, J. C., & Decker, S. N. (1985). Family history as an indictor of risk for reading disability.,(10), 616?618. https:// doi.org/10.1177/002221948401701009

Walda, S., Hasselman, F., & Bosman, A. (2022). Identifying determinants of dyslexia: An ultimate attempt using machine learning.,, 869352. https://doi.org/10.3389/fpsyg.2022.869352

*Wang, R., & Bi, H. Y. (2022). A predictive model for chinese children with developmental dyslexia ? Based on a genetic algorithm optimized back-propagation neural network.,, 115949. https://doi.org/10.1016/j.eswa.2021.115949

Wanzek, J., & Vaughn, S. (2007). Research-based implications from extensive early reading interventions.,(4), 541?561. https://doi.org/ 10.1080/02796015.2007.12087917

Yang, X., Zhang, J., Lv, Y., Wang, F., Ding, G., Zhang, M., … Song, Y. (2021). Failure of resting-state frontal- occipital connectivity in linking visual perception with reading fluency in Chinese children with developmental dyslexia.,, 117911. https://doi.org/10. 1016/j.neuroimage.2021.117911

*Yu, Y. C., Shyntassov, K., Zewge, A., & Gabel, L. (2022, March).. 56th Annual Conference on Information Sciences and Systems (pp. 177?181), Electr Network. https://doi.org/ 10.1109/CISS53076.2022.9751182

*Zahia, S., Garcia-Zapirain, B., Saralegui, I., & Fernandez- Ruanova, B. (2020). Dyslexia detection using 3D convolutional neural networks and functional magnetic resonance imaging.,, 105726. https://doi.org/10.1016/j.cmpb.2020.105726

*Zainuddin, A. Z. A., Mansor, W., Lee, K. Y., & Mahmoodin, Z. (2019, July).. Annual International Conference of the IEEE Engineering in Medicine and Biology Society (pp. 4513?4516), Berlin, Germany. https://doi.org/10.1109/EMBC.2019.8857569

Application of machine learning in early screening of children with dyslexia

BU Xiaoou, WANG Yao, DU Yawen, WANG Pei

(Department of Special Education, Faculty of Education, East China Normal University, Shanghai 200062, China)

Developmental dyslexia is the most prevalent form of specific learning disorder with a neurobiological basis that not only restricts an individual's academic achievement and career development, but also negatively affects an individual's psychological and social adjustment substantially. Recently, machine learning has been gradually applied to the early screening of children with dyslexia due to its powerful data processing and mining capabilities, accumulating richer results in various aspects such as standardized psychoeducational testing, eye tracking, game testing and brain imaging. However, machine learning still has limitations in terms of participant selection, data collection, transformation potential, security and privacy. Future researches need to focus on the early identification of pre-school children with dyslexia, construct multimodal data, and find the best classifier among multiple classifiers to obtain optimal parameters, which will eventually achieve widespread use in clinical practice.

dyslexia, machine learning, early screening, children

2022-11-08

* “華東師范大學幸福之花‘音樂畫的腦智機制及促進兒童藝術(shù)教育發(fā)展的實踐進路’”資助。

王沛, E-mail: wangpei1970@163.com

R395