王海靜，王志丹，邢冰冰

（江蘇師范大學(xué)教育科學(xué)學(xué)院，江蘇徐州 221006）

一、引言

孤獨(dú)癥譜系障礙（Autism Spectrum Disorder，ASD）是兒童發(fā)育早期出現(xiàn)的一種發(fā)展性障礙，其核心癥狀為社會交往和溝通障礙、興趣范圍狹窄、行為刻板或異常［1］。我國在2019 年發(fā)布的《中國孤獨(dú)癥教育康復(fù)行業(yè)發(fā)展?fàn)顩r報告Ⅲ》中指出，現(xiàn)階段我國孤獨(dú)癥發(fā)生率不低于1%，即14億人口中至少有1000 萬的孤獨(dú)癥人口，其中200萬孤獨(dú)癥患者是兒童，并且孤獨(dú)癥人口正以每年近20 萬的數(shù)量持續(xù)增長［2］。2016 年美國疾病控制與預(yù)防中心發(fā)布的自閉癥發(fā)生率數(shù)據(jù)是1：68，而2018 年已經(jīng)增長到了1：59［2］。由于患病率不斷攀升，加之診斷資源嚴(yán)重匱乏，孤獨(dú)癥已逐漸演變成全球性重大公共衛(wèi)生問題。

孤獨(dú)癥的癥狀在2～3 歲的兒童中更容易識別［3-5］，早期篩查有助于把握最佳干預(yù)時機(jī)，從而有效改善孤獨(dú)癥兒童的發(fā)展處境［6］。但是，大部分兒童往往因為篩查診斷不及時而錯失了最佳干預(yù)期。在美國，孤獨(dú)癥診斷的平均年齡約為4歲，這已遠(yuǎn)遠(yuǎn)遲于最佳干預(yù)時機(jī)。8 歲之前仍未確診的兒童，未來干預(yù)治療的可能性更是微乎其微［7］。因此，為保障孤獨(dú)癥兒童獲得有效干預(yù)，首先應(yīng)重視孤獨(dú)癥的早期篩查與診斷工作。

現(xiàn)有的孤獨(dú)癥兒童診斷模式雖在一定程度上有所進(jìn)步，但也存在一些問題，如耗時長、過程繁瑣枯燥、價格高昂等導(dǎo)致傳統(tǒng)診斷模式的弊端日益凸顯［8］。此外，由于傳統(tǒng)的診斷方式仍較多依賴醫(yī)生的臨床診斷，對于一些生物化學(xué)指標(biāo)難以進(jìn)行客觀評定，不同從業(yè)醫(yī)生的專業(yè)水準(zhǔn)和經(jīng)驗閱歷也大不相同，這就不可避免地導(dǎo)致主觀因素干擾結(jié)果判斷，對結(jié)果的客觀性造成影響［9］。再加上孤獨(dú)癥存在較強(qiáng)的異質(zhì)性，并常常伴隨一些共患病，臨床專家在診斷時也很容易將其與其他精神疾病癥狀混淆，致使誤診時有發(fā)生，篩查率較低［10］。這樣一來，低效率的人工診斷以及不夠精準(zhǔn)的診斷結(jié)果不僅不能夠快速、有效篩查出孤獨(dú)癥兒童，更會延誤對孤獨(dú)癥兒童的及時干預(yù)。

和傳統(tǒng)的臨床檢測不同，人工智能（Artificial intelligence，AI）因其更加精準(zhǔn)、有效、穩(wěn)定的優(yōu)勢受到越來越多的關(guān)注。作為一種計算機(jī)算法，人工智能不僅僅是簡單地模擬人類的行為，更具備環(huán)境學(xué)習(xí)、適應(yīng)、理解以及問題解決的能力，并且其本質(zhì)特征就是“類人大腦的思維性和類人存在實體性的結(jié)合”［11］。目前，為克服傳統(tǒng)孤獨(dú)癥診斷方式存在的不足，國外學(xué)者已經(jīng)利用人工智能進(jìn)行了大量孤獨(dú)癥診斷的臨床實踐與理論研究，但國內(nèi)學(xué)界在此方面的研究仍較為薄弱。鑒于此，本文梳理了國外人工智能在孤獨(dú)癥兒童診斷中的研究進(jìn)展，旨在系統(tǒng)認(rèn)識人工智能在孤獨(dú)癥診斷方面的最新發(fā)展態(tài)勢，反思人工智能在孤獨(dú)癥篩查上的利弊，為推動我國孤獨(dú)癥兒童人工智能診斷研究提供借鑒。

（一）人工智能技術(shù)及其優(yōu)勢

人工智能的主要特征包括三方面內(nèi)容：一是由人設(shè)計并為人服務(wù)，本質(zhì)是計算，基礎(chǔ)是數(shù)據(jù)；二是能感知環(huán)境并產(chǎn)生反應(yīng)，能與人交互和互補(bǔ)；三是有適應(yīng)性和學(xué)習(xí)能力，能迭代演化、連接擴(kuò)展［12］。對人工智能在孤獨(dú)癥臨床診斷中的應(yīng)用而言，把握住這些特征尤為關(guān)鍵。人工智能正在影響著孤獨(dú)癥患者的識別、預(yù)測、診斷以及康復(fù)等方方面面。人工智能與孤獨(dú)癥患者的干預(yù)治療相結(jié)合并取得一定的成效后，其潛在能力也不斷被挖掘，尤其在應(yīng)用于孤獨(dú)癥方面有以下幾點(diǎn)優(yōu)勢。

1.診斷更省時

以往對于孤獨(dú)癥的診斷仍較多依賴臨床觀察，這需要耗費(fèi)大量的等待時間。此外，由于孤獨(dú)癥患者的癥狀會隨著時間而改變，這就難免需要重新評估，整個過程就會變得復(fù)雜而枯燥［7］。但是人工智能通過機(jī)器學(xué)習(xí)等算法可以自動分析、處理數(shù)據(jù)，能夠即時給出診斷結(jié)果，大大縮減了等待時間，提高了檢測速度。

Ravindranath和Ra使用群智能對機(jī)器學(xué)習(xí)庫進(jìn)行調(diào)查，結(jié)果表明僅使用了數(shù)據(jù)庫中的10個功能就區(qū)分出了孤獨(dú)癥患者與非孤獨(dú)癥患者，且方法的準(zhǔn)確率高達(dá)97.95%［13］。Hyde 等從行為、神經(jīng)、基因三個方面對機(jī)器學(xué)習(xí)在孤獨(dú)癥兒童上的應(yīng)用進(jìn)行了系統(tǒng)綜述，發(fā)現(xiàn)各項研究結(jié)果都表明，機(jī)器學(xué)習(xí)在孤獨(dú)癥兒童診斷上的效率更高，優(yōu)勢更為明顯［14］。Duda 等利用機(jī)器學(xué)習(xí)對孤獨(dú)癥兒童和多動癥兒童進(jìn)行識別發(fā)現(xiàn)，僅需要15道題就可以有效識別兩類兒童［15］。由此可見，機(jī)器學(xué)習(xí)通過較少的題目仍然可以獲得較高的準(zhǔn)確率，這樣就可以有效規(guī)避一些復(fù)雜冗長的診斷程序，使得整個診斷流程更加高效。Hashemi 等基于《嬰幼兒孤獨(dú)癥觀察量表》（The Autism Observation Scale for Infants），以12名5～18個月的孤獨(dú)癥高風(fēng)險嬰兒為對象，借助計算機(jī)視覺工具來自動識別這些嬰兒的視覺注意和注意力游離這兩種行為，發(fā)現(xiàn)人工智能不僅能夠抓住重要的行為表征，而且可以觀察到醫(yī)生尚未看到的表征［16］。比起人工診斷的臨床醫(yī)生的問診，人工智能診斷系統(tǒng)可以替代醫(yī)師做重復(fù)冗雜的工作，有效提高醫(yī)生的工作效率，降低成本。同時，人工智能對孤獨(dú)癥譜系障礙患者的診斷具有較強(qiáng)的敏感性和特異性，在臨床上可以有效提高診斷效率。

從上述一系列的研究結(jié)果中不難發(fā)現(xiàn)，人工智能診斷方式突破了傳統(tǒng)的臨床單一診斷模式，使得診斷更加便捷，且可操作性更強(qiáng)。從數(shù)據(jù)分析與處理的過程上來看，人工智能能夠有效規(guī)避一些主觀性的判斷，具有較強(qiáng)的客觀性，因此也大大提高了診斷的時效。

2.預(yù)測更精準(zhǔn)

人工智能在保證孤獨(dú)癥診斷速度的同時，也具有較好的準(zhǔn)確性和精確度。Srividya等通過多種機(jī)器學(xué)習(xí)算法，如支持向量機(jī)、決策樹、樸素貝葉斯分類器、K近鄰和邏輯回歸等，預(yù)測個人心理健康狀況，使用集成分類器可以顯著提升心理健康預(yù)測的性能，準(zhǔn)確率達(dá)90%［17］。Wall等采用人工智能的研究方法對2867例孤獨(dú)癥患者的ADIR 訪談診斷過程數(shù)據(jù)進(jìn)行深度分析。研究發(fā)現(xiàn)，雖然該量表共包含93個訪談項目，但其中的7個項目的訪談結(jié)論便能夠預(yù)測全量表訪談診斷的結(jié)果，預(yù)測準(zhǔn)確率可高達(dá)99%［18］。Guimares等開發(fā)了一款用于檢測孤獨(dú)癥特征的移動應(yīng)用程序［19］。其最大的特點(diǎn)就是基于使用人工神經(jīng)網(wǎng)絡(luò)和由學(xué)習(xí)機(jī)器算法訓(xùn)練的模糊系統(tǒng)生成模糊規(guī)則的應(yīng)用程序，來處理不同用戶提供的關(guān)于孤獨(dú)癥的問題，同時給予即時反饋。對17歲以上的參與者進(jìn)行了抽樣測試后，結(jié)果表明，該應(yīng)用程序在成人孤獨(dú)癥診斷上的準(zhǔn)確率高達(dá)95.85%～95.73%。Bahado-Singh等通過對新生兒白細(xì)胞表觀基因組標(biāo)記的人工智能分析發(fā)現(xiàn)，人工智能不僅可以成功預(yù)測孤獨(dú)癥兒童，同時精確率也比傳統(tǒng)檢測方式更高［20］。Nasser等基于人工神經(jīng)網(wǎng)絡(luò)對孤獨(dú)癥兒童進(jìn)行預(yù)測發(fā)現(xiàn)，最終預(yù)測成功率高達(dá)100%［3］。

總而言之，相較于以往的醫(yī)師人工孤獨(dú)癥診斷方式，人工智能的準(zhǔn)確性要更高，對于孤獨(dú)癥的預(yù)測也更為精準(zhǔn)［21］。

3.結(jié)果更穩(wěn)定

所謂診斷的穩(wěn)定性，即指診斷值隨著時間的推移不會發(fā)生變化。有研究表明，人工智能基于深度學(xué)習(xí)原理利用患者的數(shù)據(jù)構(gòu)建患者自殺預(yù)警模型，其模型預(yù)測的準(zhǔn)確度具有良好的穩(wěn)定性［22］。另一方面，從臨床診斷而言，疲勞會降低人工診斷的準(zhǔn)確率，而機(jī)器診斷的準(zhǔn)確率不隨時間的增長出現(xiàn)下降。并且人工智能診斷能避免精神科醫(yī)師的主觀性和偏向性，例如機(jī)器直接從醫(yī)學(xué)數(shù)據(jù)中學(xué)習(xí)可以避免因人類認(rèn)知偏差而導(dǎo)致的臨床錯誤，對病人診治產(chǎn)生積極影響。

二、人工智能技術(shù)在孤獨(dú)癥臨床診斷中的應(yīng)用

就特殊教育中的孤獨(dú)癥領(lǐng)域而言，人工智能與特殊教育的深度融合為孤獨(dú)癥兒童的早期診斷帶來新希望，人工智能為孤獨(dú)癥兒童獲得“包容性”與“公平性”的教育提供了可靠的技術(shù)手段，這有望徹底打破限制孤獨(dú)癥兒童有效獲取教育資源的有形和無形障礙。當(dāng)前，關(guān)于人工智能在孤獨(dú)癥診斷領(lǐng)域應(yīng)用的研究主要集中于人工智能在孤獨(dú)癥早期識別、預(yù)測、診斷以及輔助干預(yù)等四大方面。

（一）基于人工智能的孤獨(dú)癥早期識別研究

我國在孤獨(dú)癥兒童治療上所秉持的重要原則為：早發(fā)現(xiàn)，早診斷，早治療［23］。雖然一些兒科醫(yī)生在健康兒童就診期間會對其進(jìn)行常規(guī)的孤獨(dú)癥篩查，但這尚未成為一種普遍的做法。在沒有臨床評估和正式診斷的情況下，孤獨(dú)癥兒童父母往往不愿意承認(rèn)子女患有孤獨(dú)癥，因而不愿意立即采取康復(fù)行動，這進(jìn)一步延誤了通過行為療法或其他手段對兒童的治療［24］?，F(xiàn)今，國際上孤獨(dú)癥的人工診斷大多采用《孤獨(dú)癥診斷訪談量表（修訂版）》（Autism diagnostic interview-revised，ADI-R）和《孤獨(dú)癥診斷觀察量表（第2 版）》（Autism diagnostic observation schedule，second edition，ADOS-2）。國內(nèi)臨床使用的篩查和診斷評估工具主要有孤獨(dú)癥評定量表（childhood autism rating scale，CARS）、ASD行為量表（autism behavior checklist，ABC）等。但是，僅僅通過量表對孤獨(dú)癥進(jìn)行診斷存在主觀性強(qiáng)、效率低下、甚至誤診等問題。通過人工智能算法提高ADI-R 的可靠性，將使臨床診斷更迅速，效率更高，為提供及時和更有效的治療成為可能。

基于人工智能的孤獨(dú)癥早期識別研究主要是圍繞識別孤獨(dú)癥與普通兒童及其他共患病兒童的差異。

1.關(guān)于孤獨(dú)癥與普通兒童的識別研究

Kang 等使用腦電圖儀（electroencephalograph，EEG）和眼部跟蹤兩種模式對3～6 歲孤獨(dú)癥兒童和普通兒童進(jìn)行比較研究［25］。實驗者記錄下兒童在靜止?fàn)顟B(tài)下的腦電數(shù)據(jù)后，又讓兒童分別對自己的種族和其他種族的陌生人臉刺激進(jìn)行眼動測試。研究利用功率光譜分析EEG 結(jié)果，并選擇感興趣的區(qū)域（areas of interest，AOI）進(jìn)行眼部跟蹤數(shù)據(jù)的目光分析。結(jié)合最小冗余最大相關(guān)性（Minimum redundancy and maximum correlation，MRMR）、功能選擇方法與支持向量機(jī)（Support Vector Machines，SVM）分類器對孤獨(dú)癥與典型發(fā)育中兒童進(jìn)行分類。結(jié)果顯示，從兩種數(shù)據(jù)組合的分類精度高達(dá)85.44%，可以有效識別孤獨(dú)癥兒童。

Thabtah 等針對成人與青少年的孤獨(dú)癥篩查識別，提出了新的機(jī)器學(xué)習(xí)框架。通過對重要特征的篩選，并利用物流回歸進(jìn)行預(yù)測性分析，從而成功揭示了與孤獨(dú)癥篩查相關(guān)的重要信息［26］。與此同時，研究還進(jìn)一步使用信息增益（information gain，IG）和卡方檢驗（Chi square testing，CHI）對兩個數(shù)據(jù)集進(jìn)行深入的功能分析，來確定可用于孤獨(dú)癥篩查的可行性功能。研究結(jié)果也表明，機(jī)器學(xué)習(xí)技術(shù)針對孤獨(dú)癥與普通兒童的識別能夠生成在靈敏度、規(guī)格和準(zhǔn)確性等方面具有可接受性能的分類系統(tǒng).

Liu 等提出了一個基于動態(tài)功能連接和多任務(wù)功能選擇的分類框架，用以提高孤獨(dú)癥與典型控制組的分類性能［27］。這一框架通過10 倍交叉驗證策略，對871個來自孤獨(dú)癥腦成像數(shù)據(jù)交換I（第一期）的fMRI 數(shù)據(jù)中的受試者進(jìn)行評估。結(jié)果顯示，這一方法在孤獨(dú)癥與普通控制組的分類中精確度可達(dá)76.8%，而其接收機(jī)操作特性曲線下的面積為0.81。由此可見，這一分類框架能夠精準(zhǔn)、有效識別這兩類群體。

2.關(guān)于孤獨(dú)癥與其他共患病兒童的識別研究

Bertoncelli 等開發(fā)和測試了一個預(yù)測性學(xué)習(xí)模型，用以識別與腦癱青少年的孤獨(dú)癥相關(guān)的因素［28］。研究者對102名患有腦癱的青少年進(jìn)行了多中心對照組研究，在收集腦癱患者10年內(nèi)的病因、診斷、痙攣、癲癇、臨床史、溝通能力、行為、智力殘疾、運(yùn)動技能以及飲食能力數(shù)據(jù)的基礎(chǔ)上，運(yùn)用預(yù)測性學(xué)習(xí)模型確定了腦癱與孤獨(dú)癥相關(guān)的因素。研究結(jié)果發(fā)現(xiàn)運(yùn)動技能、喂養(yǎng)能力、痙攣類型、智力障礙和溝通障礙，與孤獨(dú)癥顯著相關(guān)。而預(yù)測性學(xué)習(xí)模型的準(zhǔn)確性、特異性和靈敏度的最佳平均預(yù)測得分達(dá)75%。也有效證明了預(yù)測模型能夠充分識別腦癱中存在ASD 風(fēng)險的青少年。

Duda等在研究中發(fā)現(xiàn)，通過使用四種機(jī)器學(xué)習(xí)算法，只需要利用社會響應(yīng)量表（Social Responsiveness Scale，SRS）中的一小部分項目就可以準(zhǔn)確區(qū)分孤獨(dú)癥譜系障礙和注意缺陷多動障礙［15］。之后，他們又進(jìn)一步拓展了原有研究，將一套新的眾包數(shù)據(jù)集納入其中。通過回應(yīng)來自孤獨(dú)癥或多動癥兒童父母的問題，從而不斷提高模型的真實數(shù)據(jù)處理能力。將新數(shù)據(jù)與最初的存檔樣本數(shù)據(jù)混合，并使用子樣本進(jìn)行重復(fù)交叉驗證，研究創(chuàng)建了一個僅使用15個問題就可以有效識別的新分類算法。

Zhan等利用人工智能對孤獨(dú)癥、強(qiáng)迫癥以及多動癥進(jìn)行了區(qū)分［29］。利用從野生型和甲-CpG結(jié)合蛋白2（MECP2）轉(zhuǎn)基因猴子中獲得的靜止?fàn)顟B(tài)功能連接性數(shù)據(jù)構(gòu)建了猴子衍生的分類器，并在四個人類數(shù)據(jù)集中進(jìn)行診斷分類。之后通過逐步線性回歸模型，研究檢驗了源自猴子的分類器的功能連接與三種精神疾病的維度癥狀嚴(yán)重程度之間的關(guān)聯(lián)。結(jié)果顯示，在猴子中鑒定了在額葉皮質(zhì)和顳葉皮質(zhì)中突出分布的九個核心區(qū)域，以這些核心區(qū)域構(gòu)建猴子衍生的分類器可以成功診斷人類的孤獨(dú)癥。相同的核心區(qū)域集可用于強(qiáng)迫癥一類的診斷分類，但并不適用于多動癥。除此以外，研究還發(fā)現(xiàn)基于右腹外側(cè)前額葉皮層與左丘腦和右前額葉極皮層的功能連接的模型分別預(yù)測了孤獨(dú)癥患者的交流評分和強(qiáng)迫癥患者的強(qiáng)迫評分。由此可知，這些核心區(qū)域可作為區(qū)分孤獨(dú)癥與強(qiáng)迫癥的有效診斷標(biāo)志物的基礎(chǔ)。

（二）基于人工智能的孤獨(dú)癥譜系障礙的預(yù)測研究

現(xiàn)有關(guān)于孤獨(dú)癥譜系障礙的預(yù)測研究關(guān)注點(diǎn)有所不同，大體上可分為三類，即針對孤獨(dú)癥基因的預(yù)測、針對孤獨(dú)癥行為的預(yù)測以及針對預(yù)測模型的創(chuàng)新探索。

1.針對孤獨(dú)癥譜系障礙基因的預(yù)測研究

Oh 等利用機(jī)器學(xué)習(xí)對患有孤獨(dú)癥的年輕成年人的血液樣本進(jìn)行分析［30］。研究使用基因表達(dá)綜合數(shù)據(jù)庫中已發(fā)布的微陣列數(shù)據(jù)（GSE26415）進(jìn)行檢測，包括21 名患孤獨(dú)癥的年輕人和21 名年齡和性別相匹配的控制組。使用R 語言中的limma 包從培訓(xùn)數(shù)據(jù)集中識別值，并使用機(jī)器學(xué)習(xí)算法在測試數(shù)據(jù)集中進(jìn)一步分析。結(jié)果表明，機(jī)器學(xué)習(xí)能夠有效區(qū)分孤獨(dú)癥和非孤獨(dú)癥群體，支持向量機(jī)和K 近鄰分析結(jié)果表明孤獨(dú)癥預(yù)測精度可達(dá)93.8%。

Bahado-Singh 等利用機(jī)器學(xué)習(xí)對孤獨(dú)癥新生兒白細(xì)胞（血斑）DNA 進(jìn)行了表觀基因組分析，測量了孤獨(dú)癥和對照組的DNA 甲基化水平［20］。通過使用六種不同的人工智能方法，包括深度學(xué)習(xí)在內(nèi)，確定了細(xì)胞甲基化用于孤獨(dú)癥檢測的準(zhǔn)確性，并利用獨(dú)創(chuàng)性通路分析（IPA）識別代表性過高的生物通路，從而深入挖掘孤獨(dú)癥發(fā)病機(jī)因。研究結(jié)果發(fā)現(xiàn)，在249 個基因中存在Cpg 甲基化的嚴(yán)重調(diào)節(jié)障礙，深度學(xué)習(xí)的靈敏度為97.5%，孤獨(dú)癥檢測特異性為100.0%。與此同時，表觀遺傳調(diào)節(jié)障礙在幾個重要候選基因中被識別出來，包括一系列與孤獨(dú)癥相關(guān)的基因，如：EIF4E，F(xiàn)YN，SHANK1，VIM，LMX1B，GABRB1，SDHAP3 和PACS2。由此可見，通過人工智能對表觀遺傳標(biāo)記的檢測能夠有效預(yù)測新生兒的孤獨(dú)癥。

Duda 等利用大腦特異性功能關(guān)系網(wǎng)絡(luò)（FRN）構(gòu)建了一個機(jī)器學(xué)習(xí)模型，從而生成了ASD風(fēng)險基因的全基因組排名［31］。研究選擇的潛在的基因網(wǎng)絡(luò)整合了來自三個不同物種（人類、小鼠和大鼠）的廣泛功能基因組數(shù)據(jù)，從而更加全面地囊括了人類可能存在的基因表達(dá)。兩個獨(dú)立測序?qū)嶒灥慕Y(jié)果也驗證基因排名的可靠性。通過對候選基因網(wǎng)絡(luò)的分析，研究不僅證實了許多已有和孤獨(dú)癥相關(guān)聯(lián)的基因，而且還提出了可能預(yù)測孤獨(dú)癥的新基因。

Bahado-Singh 在幾個重要的候選基因如EIF4E，F(xiàn)YN，SHANK1 和VIM 中發(fā)現(xiàn)了表觀遺傳失調(diào)［20］，這些表觀遺傳的失調(diào)涉及神經(jīng)炎癥信號傳導(dǎo)、突觸長期增強(qiáng)、5-羥色胺降解、mTOR 信號傳導(dǎo)和Rho 家族GTPases 信號傳導(dǎo)的通路，這為支持表觀遺傳改變在孤獨(dú)癥發(fā)病機(jī)制中起重要作用提供了進(jìn)一步的證據(jù)。

Zhou 等基于深度學(xué)習(xí)技術(shù)揭示了非編碼突變在ASD疾病中的作用，進(jìn)一步的分析表明非編碼突變參與突觸傳遞和神經(jīng)元發(fā)育，揭示了孤獨(dú)癥中編碼和非編碼突變的融合遺傳行為［32］。該模型從基因組學(xué)角度提供了非編碼突變在ASD預(yù)測中的作用。

從上述研究中可以看到，現(xiàn)有人工智能一方面通過基因?qū)陋?dú)癥進(jìn)行有效預(yù)測，另一方面也在利用自身數(shù)據(jù)處理優(yōu)勢，試圖挖掘新的潛在基因標(biāo)記物，不斷豐富基因篩查指標(biāo)，不斷提高孤獨(dú)癥基因預(yù)測的準(zhǔn)確性與精確度。

2.針對孤獨(dú)癥譜系障礙行為的預(yù)測研究

Vabalas 等將監(jiān)督機(jī)器學(xué)習(xí)（supervised machine learning）與運(yùn)動模仿任務(wù)以及眼動追蹤的數(shù)據(jù)相結(jié)合對22名孤獨(dú)癥和22名非孤獨(dú)癥成人進(jìn)行預(yù)測分類［33］。研究使用獨(dú)立的模型開發(fā)和模型測試數(shù)據(jù)集，并通過開發(fā)集和保持集的組合提高結(jié)果的穩(wěn)定性。在開發(fā)測試集中，樣本共涵蓋了孤獨(dú)癥和非孤獨(dú)癥成年人各15 人，其年齡、性別、智商等同樣進(jìn)行了匹配。保持測試集也匹配了孤獨(dú)癥和非孤獨(dú)癥成年人各7人。參與者首先觀看屏幕上顯示的視頻，然后模仿手部動作。參與者的運(yùn)動數(shù)據(jù)合眼動數(shù)據(jù)分別由Polhemus Fastrak 運(yùn)動跟蹤器和EyeLink 1000 Plus 眼動儀（SR Research）進(jìn)行收集。最終結(jié)果證明，該研究中模型通過運(yùn)動學(xué)特征預(yù)測診斷的準(zhǔn)確性為73%，通過眼睛運(yùn)動特征預(yù)測的準(zhǔn)確性為70%，通過組合特征的準(zhǔn)確性為78%。這一方面說明人工智能能夠有效預(yù)測孤獨(dú)癥的行為，同時也表明多種預(yù)測形式相結(jié)合也能夠有效提高預(yù)測的準(zhǔn)確率。

Li 等以5～12 歲孤獨(dú)癥兒童作為研究對象進(jìn)行了人工智能預(yù)測檢驗［34］。參與者被要求在睜眼和閉眼兩種情況下以隨機(jī)順序赤腳站立并保持站立狀態(tài)20秒，手臂在身體兩側(cè)放松。安靜站立時的平穩(wěn)的姿態(tài)壓力中心（COP）數(shù)據(jù)采用測力板進(jìn)行收集，計算出COP變量，包括線性位移、總距離、搖擺面積和復(fù)雜性。樣本訓(xùn)練了六個監(jiān)督機(jī)器學(xué)習(xí)分類器：判別分析，K近鄰，樸素貝葉斯，決策樹，支持向量機(jī)和隨機(jī)森林。根據(jù)COP變量對ASD姿勢控制進(jìn)行分類。之后，為了檢驗這六種機(jī)器學(xué)習(xí)分類器的有效性，又從預(yù)測準(zhǔn)確性、敏感性、特異性、準(zhǔn)確性等方面對其進(jìn)行了評估。結(jié)果顯示，六種機(jī)器學(xué)習(xí)分類器的準(zhǔn)確率都高達(dá)80%以上，而樸素貝葉斯的準(zhǔn)確率最高。表明一方面人工智能可以有效預(yù)測孤獨(dú)癥的運(yùn)動水平，另一方面不同的人工智能算法的準(zhǔn)確率也存在不同。

3.對預(yù)測模型的精確度探索研究

為了不斷挖掘人工智能應(yīng)用于孤獨(dú)癥預(yù)測的最優(yōu)模式，許多研究針對人工智能的精確度開展了一系列研究。

Shahamiri 和Thabtah 研發(fā)了一種新的孤獨(dú)癥篩查系統(tǒng)，以深度學(xué)習(xí)算法取代了傳統(tǒng)篩查方法中的評分功能，并通過移動應(yīng)用程序提供捕獲問卷數(shù)據(jù)的用戶界面［4］。在結(jié)果檢測中，研究使用一種智能的孤獨(dú)癥檢測Web 服務(wù)，這一服務(wù)與經(jīng)過歷史ASD 案例訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)（CNN）交互，并使CNN 能夠從系統(tǒng)的未來用戶那里學(xué)習(xí)新知識的數(shù)據(jù)庫。研究針對包括成人、青少年、兒童等在內(nèi)的大型孤獨(dú)癥數(shù)據(jù)集評估了CNN 分類方法。結(jié)果發(fā)現(xiàn)，CNN 的預(yù)測結(jié)果更為精準(zhǔn)、靈敏。

Altay 和Ulas 以4～11 歲孤獨(dú)癥兒童作為研究對象，比較使用線性判別分析器（Linear discriminant analysis，LDA）和K 最近鄰（K-nearest neighber）進(jìn)行預(yù)測分類的精確度差異［35］。結(jié)果發(fā)現(xiàn)，LDA 的準(zhǔn)確率高達(dá)90.8%，敏感性為0.95。而KNN 的準(zhǔn)確性則為88.5%，敏感性則為0.98。由此說明，LDA和KNN可以作為預(yù)測的有效模型。

Nasser等開發(fā)并測試了人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）模型，用于診斷孤獨(dú)癥譜系障礙［3］。研究使用從孤獨(dú)癥篩選應(yīng)用程序中收集的數(shù)據(jù)集，其中包含孤獨(dú)癥測試結(jié)果。測試數(shù)據(jù)評估表明，ANN 模型能夠100%準(zhǔn)確正確診斷ASD。同樣，Arthi和Tamilaras也設(shè)計了一種基于ANN 技術(shù)的孤獨(dú)癥診斷模型［36］。該模型將原始的孤獨(dú)癥數(shù)據(jù)轉(zhuǎn)換成合適的模糊值，并將這些數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，該診斷模型采用了較為成熟的K-近鄰算法用以實現(xiàn)孤獨(dú)癥兒童的預(yù)測。隨后，Hazlett 等利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)分析6～12個月高風(fēng)險孤獨(dú)癥嬰幼兒腦皮層成像信息，以此來預(yù)測其在24 個月大的診斷結(jié)果［37］。研究表明，其數(shù)據(jù)診斷準(zhǔn)確率高達(dá)81%，具有較好的預(yù)測性。

Chaitra 等為了檢測大腦功能網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)作為孤獨(dú)癥譜系障礙（ASD）的可行生物標(biāo)記的實用性，從公開獲得的ABIDE數(shù)據(jù)集的靜息狀態(tài)的功能磁共振成像（functional magnetic resonance imaging，fMRI）數(shù)據(jù)，選取了432位孤獨(dú)癥患者和556位匹配的健康對照者［38］。對3D+時間fMRI數(shù)據(jù)預(yù)處理后，從相應(yīng)的區(qū)域平均時間序列中獲得了使用Pearson 相關(guān)性的全腦功能連接性（functional connectivity，F(xiàn)C）網(wǎng)絡(luò)。研究發(fā)現(xiàn)，用FC 診斷孤獨(dú)癥的準(zhǔn)確度為67.3%，圖形測量的準(zhǔn)確度為64.5%，而組合特征集的診斷準(zhǔn)確度為70.1%。顳外側(cè)、枕骨、前神經(jīng)突和眶額區(qū)域是最具判斷力的主要區(qū)域。

Heinsfeld 等利用人工智能的方法對比來自Autism Brain Imaging Data Exchange（ABIDE）數(shù)據(jù)庫中的505 名孤獨(dú)癥患者和530 名匹配對照組的腦成像數(shù)據(jù)，研究結(jié)果表明，其預(yù)測準(zhǔn)確度高達(dá)70%［39］。同時，基于人工智能的孤獨(dú)癥譜系障礙預(yù)測研究也顯示，將六個包括深度學(xué)習(xí)的機(jī)器學(xué)習(xí)、人工智能平臺與外周血表觀遺傳基因組學(xué)相結(jié)合，能夠?qū)崿F(xiàn)新生兒期孤獨(dú)癥的高精度預(yù)測。

（三）基于人工智能的孤獨(dú)癥患者的診斷研究

Artonia 等的研究表明，利用人工智能分析瞳孔變化或心率波動可以幫助孤獨(dú)癥盡早診斷這類疾?。?0］。研究者展示了特發(fā)性或單基因性ASD 小鼠模型，研究人員觀察了實驗鼠的瞳孔變化，發(fā)現(xiàn)在孤獨(dú)癥癥狀出現(xiàn)之前，實驗鼠的瞳孔擴(kuò)張和收縮就已經(jīng)發(fā)生了改變。基于對這些實驗鼠約60 小時的觀察，研究人員“訓(xùn)練”了一種深度學(xué)習(xí)算法，用以識別出異常的瞳孔變化模式，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域中一個新的研究方向，學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，讓機(jī)器能夠像人一樣具有分析學(xué)習(xí)能力，能夠識別文字、圖像和聲音等數(shù)據(jù)。在這項跨物種和測量的轉(zhuǎn)移研究中，研究者使用不同的覺醒波動代碼（例如瞳孔測量），通過轉(zhuǎn)移學(xué)習(xí)模式也作用于孤獨(dú)癥患者的診斷。為避免檢測瞳孔造成被檢測對象的不安，研究人員使用心率波動作為量化標(biāo)準(zhǔn)。研究人員發(fā)現(xiàn)，該算法仍成功識別出了患有孤獨(dú)癥譜系障礙患者的兒童，一兩歲嬰幼兒診斷準(zhǔn)確率為80%。這種非侵入性且易于評估的方法可用于追蹤兒童的發(fā)育狀況，成為嬰幼兒神經(jīng)發(fā)育問題的篩查工具。這種深度學(xué)習(xí)算法不僅可以為孤獨(dú)癥譜系障礙提供早期預(yù)警信號，未來也可以用于監(jiān)測患者對治療的反應(yīng)。

另外，有研究為了提高診斷的精確性從而改進(jìn)了已有人工智能診斷方案，提出了更優(yōu)化的診斷模型。Mostafa 等為了提高人工智能診斷孤獨(dú)癥的精確度，在對孤獨(dú)癥和典型控制組進(jìn)行分類時提出以大腦網(wǎng)絡(luò)的Laplacian 矩陣的特征值作為更準(zhǔn)確診斷ASD 的新途徑［41］。研究首先將大腦皮層分為264個感興趣的區(qū)域（regions of interest，ROI），并提取這些ROI 的時間序列測量值以創(chuàng)建連通性矩陣。之后又從Laplacian 矩陣中提取了264個特征值，將它們與三個網(wǎng)絡(luò)中心點(diǎn)，即分類性、聚類系數(shù)和平均度相結(jié)合，從而創(chuàng)建了機(jī)器學(xué)習(xí)算法的功能。為了避免過擬合問題并為機(jī)器學(xué)習(xí)算法選擇區(qū)分特征，研究選擇將連續(xù)特征選擇算法應(yīng)用于這267個特征。將其與其他不同的機(jī)器學(xué)習(xí)算法一起應(yīng)用于診斷孤獨(dú)癥的數(shù)據(jù)集后，結(jié)果表明，具有這些特征的線性判別分析（LDA）的分類精度達(dá)到了77.7%，優(yōu)于最新方法。

（四）基于人工智能的孤獨(dú)癥患者輔助干預(yù)研究

由于人工智能模態(tài)交互技術(shù)的進(jìn)步，近年來基于人工智能孤獨(dú)癥康復(fù)訓(xùn)練研究也逐漸興起。人機(jī)互動運(yùn)用于孤獨(dú)癥的康復(fù)訓(xùn)練主要包含兩大方面：一為對孤獨(dú)癥兒童技能發(fā)展的干預(yù)，二為對孤獨(dú)癥兒童社交互動的干預(yù)。

1.人工智能對孤獨(dú)癥兒童技能發(fā)展的干預(yù)

研究表明，孤獨(dú)癥兒童對具有人形外表的機(jī)器人更感興趣，不僅對這類機(jī)器人動作的反應(yīng)更快，且表現(xiàn)出更多的交際行為［42］。So 等以10 名6～12 歲的低功能孤獨(dú)癥兒童為研究對象，通過播放機(jī)器人做示范的動畫，教授孤獨(dú)癥兒童使用20 個手勢［43］。結(jié)果顯示，孤獨(dú)癥兒童能夠泛化他們習(xí)得的手勢。Shamsuddin 等則使用既會說話又會跳舞的機(jī)器人NAO 來訓(xùn)練孤獨(dú)癥兒童的目光注視［44］。在陪伴孤獨(dú)癥孩子的過程中，NAO 在活動過程中可以提高孤獨(dú)癥兒童識讀面部表情和適當(dāng)進(jìn)行眼神交流的能力。同時，人形機(jī)器人還能對孤獨(dú)癥兒童的表現(xiàn)進(jìn)行反饋或鼓勵，以此達(dá)到強(qiáng)化行為的康復(fù)訓(xùn)練效果。

隨著人工智能的發(fā)展，運(yùn)用人機(jī)交互技術(shù)和融合人工智能的虛擬現(xiàn)實技術(shù)逐漸成熟，Kabdalaft 等探討基于虛擬現(xiàn)實的社會認(rèn)知訓(xùn)練對孤獨(dú)癥兒童社交技能的影響［45］，研究者選取30 名高功能孤獨(dú)癥患者參與研究，對患者進(jìn)行為期5 周的10 次訓(xùn)練，研究結(jié)果表明，患者的情感識別、注意力及執(zhí)行功能方面的表現(xiàn)均有提升。

2.人工智能對孤獨(dú)癥兒童社交互動的干預(yù)

針對孤獨(dú)癥兒童社交互動的干預(yù)多圍繞著社交機(jī)器人展開。Giuseppe 等把機(jī)器人充當(dāng)系統(tǒng)中的社交中介者角色，試圖引起孤獨(dú)癥兒童的某些特定行為［46］。系統(tǒng)對3 名高功能孤獨(dú)癥譜系障礙兒童進(jìn)行了初步評估，結(jié)果表明機(jī)器人成功引起了兒童的眼神交流行為反應(yīng)。Kim和Berkovits 等比較了4～12 歲孤獨(dú)癥兒童與社交機(jī)器人、1 名成人以及電腦游戲三種不同情境下的互動差異［47］。在實驗中，參與者由人類治療師引導(dǎo)，并被要求輪流與上述三類對象進(jìn)行長達(dá)6 分鐘的互動。實驗采集孤獨(dú)癥兒童的語言表達(dá)數(shù)量及其指向作為分析數(shù)據(jù)，最終發(fā)現(xiàn)，三種互動情境中，孤獨(dú)癥兒童與機(jī)器人互動中語言表達(dá)數(shù)量多于其他兩種情景。而在與機(jī)器人互動的時候，孤獨(dú)癥兒童語言表達(dá)更多指向人類治療師，之后是與成人互動和與電腦游戲互動。這表明機(jī)器人能夠有效干預(yù)孤獨(dú)癥兒童的互動行為。Wainer 等利用仿人類機(jī)器人對6 名孤獨(dú)癥兒童進(jìn)行了一項ABAB 式的多重基線設(shè)計的實驗［48］。實驗中，孤獨(dú)癥兒童需要分別和仿人類機(jī)器人、1 名成人玩一種雙人協(xié)作式電子游戲。如果兒童想要繼續(xù)游戲，則其需要同另一位玩家進(jìn)行積極互動。兒童共需要完成四次游戲互動，順序依次是：兒童和成人玩，兒童和機(jī)器人玩，兒童和成人玩，兒童和機(jī)器人玩。結(jié)果顯示，四次互動行為中兒童第二次的互動要比第一次的互動注意力更加集中，且體驗更好，也存在更多合作行為。這表明，有可能是兒童與機(jī)器人的互動促進(jìn)了其與成人互動行為的產(chǎn)生。

三、研究展望

人工智能正在給孤獨(dú)癥醫(yī)療領(lǐng)域帶來前所未有的機(jī)遇與挑戰(zhàn)。從分析行為癥狀學(xué)到腦電圖判讀，AI 輔助臨床診斷已初見成果。目前，雖然AI 技術(shù)+醫(yī)療對于很多消費(fèi)者而言，依然處于觀望和猶豫狀態(tài)，但是，任何一種顛覆性的技術(shù)，其發(fā)展和應(yīng)用都必須經(jīng)歷漫長的過程才能被市場認(rèn)可。盡管面臨方法優(yōu)化、數(shù)據(jù)收集與倫理問題等諸多瓶頸，在堅信“源于臨床，高于臨床，回歸臨床；醫(yī)工交叉，互補(bǔ)合作，共贏發(fā)展”的思想指導(dǎo)下，AI 必將在孤獨(dú)癥臨床診療中大放異彩。結(jié)合本文介紹的國外研究進(jìn)展以及國內(nèi)資源匱乏的現(xiàn)狀，本研究從以下幾個方面進(jìn)行拓展和深化。

（一）明確輔助性發(fā)展定位

人工智能對于孤獨(dú)癥臨床診斷的意義在于增加診斷結(jié)果的準(zhǔn)確性、穩(wěn)定性，提高診斷效率，但是這并不意味著對臨床診斷方式的徹底否定。歸根結(jié)底，孤獨(dú)癥譜系障礙問題具有較強(qiáng)的專業(yè)性，其依舊需要專業(yè)人士進(jìn)行深入考察和研究，而人工智能只是作為臨床醫(yī)生的輔助工具，而并不能夠完全取代醫(yī)生的地位。在系統(tǒng)的研究基礎(chǔ)上，臨床專家可以依據(jù)人工智能的算法和數(shù)據(jù)庫給予的決策支持作出科學(xué)的判斷。需要注意的是，作為孤獨(dú)癥兒童診斷的人工智能一旦走向市場化、商業(yè)化，就難免會造成誤用、濫用的局面。一些商家也可能利用人工智能的噱頭，夸大人工智能在孤獨(dú)癥兒童身上的作用。這更需要我們明確人工智能在孤獨(dú)癥兒童使用上的專業(yè)性和明確定位，避免盲從。

（二）完善法律和法規(guī)制度

在孤獨(dú)癥人工智能領(lǐng)域的法規(guī)制定和監(jiān)管方面，國家宏觀層面要嚴(yán)格把控人工智能的發(fā)展方向［49］，盡快出臺相關(guān)配套政策，包括部門規(guī)章、行業(yè)標(biāo)準(zhǔn)、法律法規(guī)的文件或規(guī)范來保證人工智能技術(shù)既能更快、更廣地使用，又能夠更安全、更合理地使用，審慎地推動人工智能在孤獨(dú)癥臨床診斷領(lǐng)域的應(yīng)用。人工智能醫(yī)療領(lǐng)域的應(yīng)用還需要制定更多相應(yīng)的標(biāo)準(zhǔn)來替代現(xiàn)有的臨床標(biāo)準(zhǔn)。以國際通用標(biāo)準(zhǔn)為基礎(chǔ)，需建立人工智能在醫(yī)療領(lǐng)域應(yīng)用的標(biāo)準(zhǔn)體系，以作為輔助支持公共政策和立法的工具。

（三）健全信息化數(shù)據(jù)體系

從人工智能的原理來看，其核心仍離不開大數(shù)據(jù)的收集與分析，而孤獨(dú)癥譜系障礙表現(xiàn)出的異質(zhì)性又導(dǎo)致很難從數(shù)據(jù)中總結(jié)出完全一致的規(guī)律。因此，對于人工智能而言必須不斷完善并健全孤獨(dú)癥篩查數(shù)據(jù)庫。一方面，該數(shù)據(jù)庫要做到統(tǒng)整各個地區(qū)、各個個體的信息，確保信息的完整性、充分性，盡可能多地包含所有已發(fā)現(xiàn)的案例；另一方面，要重視數(shù)據(jù)庫的動態(tài)信息流動，數(shù)據(jù)庫里的內(nèi)容要實時更新，確保信息的時效性、準(zhǔn)確性以及針對性，使臨床醫(yī)生在診斷時更具有參考性。

（四）加強(qiáng)信息化安全建設(shè)

數(shù)據(jù)安全是人工智能安全的核心［50］。不斷完善并健全的數(shù)據(jù)庫體系帶來全面的數(shù)據(jù)信息的同時，也必然導(dǎo)致一系列的數(shù)據(jù)安全隱患［9］。一方面，要加強(qiáng)隱私保護(hù)建設(shè)，對數(shù)據(jù)進(jìn)行脫敏，將數(shù)據(jù)按照不同層次、不同熱度進(jìn)行匯集，降低泄露隱私的風(fēng)險。醫(yī)療數(shù)據(jù)的隱私保護(hù)問題在美國已經(jīng)有成熟的經(jīng)驗。美國（相關(guān)部門）在加強(qiáng)隱私保護(hù)的同時，鼓勵數(shù)據(jù)合理開放和有意義使用，把一部分?jǐn)?shù)據(jù)變成公共數(shù)據(jù)用于研究。另一方面，要加強(qiáng)信息安全建設(shè)。尤其加強(qiáng)網(wǎng)絡(luò)環(huán)境的安全建設(shè)，保障患者數(shù)據(jù)能夠?qū)崟r、準(zhǔn)確進(jìn)行傳輸，避免數(shù)據(jù)在公網(wǎng)上暴露造成的風(fēng)險。

（五）促進(jìn)便攜式設(shè)備發(fā)展

Duda 等從孤獨(dú)癥兒童的父母和監(jiān)護(hù)人的角度出發(fā)，為其創(chuàng)建了移動孤獨(dú)癥風(fēng)險評估（MARA）平臺。父母和監(jiān)護(hù)人可以通過在線平臺作答，即時自動獲得相應(yīng)的結(jié)果［15］。研究結(jié)果表明，MARA 在檢測ASD 時的靈敏度高達(dá)89.86%。由此可見，人工智能向便攜式發(fā)展具有可行性。具體而言，將人工智能模式向便攜式發(fā)展一方面可以最大化減輕孤獨(dú)癥診斷過程對兒童和家庭帶來的心理壓力，能夠讓兒童在更加自然、自在的狀態(tài)下完成各項檢測，同時也及時捕捉到兒童動態(tài)發(fā)展的脈絡(luò)。另一方面則能減少孤獨(dú)癥臨床診斷帶來的高額費(fèi)用壓力，幫助家長更加便捷、快速地了解兒童的發(fā)展?fàn)顩r，幫助家長足不出戶即可以了解兒童的發(fā)展。但是這種推廣的前提仍需要對人工智能診斷的精確把握，同時也只是一種輔助，仍需要臨床醫(yī)生的專業(yè)建議。

（六）推動復(fù)合型人才培養(yǎng)

人工智能與孤獨(dú)癥兒童診斷的結(jié)合事實上是跨學(xué)科領(lǐng)域的融合。這也使得人工智能在孤獨(dú)癥領(lǐng)域中的應(yīng)用面臨著一些難題。譬如，擅長人工智能的專家未必掌握孤獨(dú)癥譜系障礙的相關(guān)專業(yè)知識，而孤獨(dú)癥專家也未必了解人工智能的原理［7］。因此，人工智能要在孤獨(dú)癥中得到有效利用，就必須保證復(fù)合型人才的培養(yǎng)，加大復(fù)合型人才培養(yǎng)的力度也是現(xiàn)階段醫(yī)療衛(wèi)生發(fā)展的核心方向［51］。各高校應(yīng)積極開展醫(yī)學(xué)與計算機(jī)交叉性學(xué)科的建設(shè)和教學(xué)，以多種方式培養(yǎng)和吸引醫(yī)學(xué)人工智能復(fù)合型人才。宏觀上注重醫(yī)學(xué)、信息、工程、衛(wèi)生政策研究等學(xué)科專業(yè)的交叉融合。政府應(yīng)鼓勵高校、科研院所與企業(yè)開展合作，建設(shè)一批實訓(xùn)基地和地方試點(diǎn)，從而吸引高端人才在醫(yī)學(xué)人工智能領(lǐng)域開展創(chuàng)新、創(chuàng)業(yè)工作，帶動該領(lǐng)域發(fā)展。