人工智能有助于准确预测婴儿自闭症风险

这项研究涉及59名自闭症高风险婴儿，这意味着每个婴儿都有一个被诊断患有自闭症的哥哥姐姐。人工智能以100%的准确率预测其中48名儿童不会患上自闭症。

值得注意的是，在 11 名 2 岁时被诊断患有这种疾病的儿童中，该系统正确预测了 9 个病例。

“结果非常准确，”这项研究的主要作者、前北卡罗来纳大学认知神经科学博士后研究员罗伯特·埃默森 (Robert Emerson) 告诉 Live Science。

据艾默生称，有自闭症兄弟姐妹的婴儿中约有 20% 会患上自闭症，而普通人群中这一比例仅为 1.5%。

研究人员认为，这一发现可能为开发在症状出现之前识别自闭症的先进诊断工具铺平道路，从而为早期干预提供机会，改善甚至阻止病情发展。

对于这项研究，北卡罗来纳大学医学院精神病学教授约瑟夫·皮文博士表示：“我们的目标是在自闭症症状出现之前尽早接触到孩子，以便我们能够更有效地进行干预。”

该项研究发表在美国国际科学期刊《科学转化医学》上。

自闭症的发展

自闭症谱系障碍是一种脑部疾病，其特征是社交沟通困难和重复行为，美国每68名儿童中约有1名患有此病。通常情况下，行为症状在2岁时开始出现。

然而，埃默森及其同事已经证明，他们可以在症状出现之前检测出该疾病的生物标志物。

在他们的研究中，研究小组使用磁共振成像（MRI）对睡眠婴儿的大脑进行成像，记录了230个不同大脑区域的神经活动。他们特别关注这些区域之间的同步程度，也称为功能连接。

研究团队总共测量了26,335个对认知、记忆和行为至关重要的功能连接。他们利用核磁共振成像数据，试图识别出患自闭症风险较高的婴儿。

当孩子满两岁时，他们会回来接受行为评估，包括社交互动、沟通、运动发育以及重复动作的倾向。这些数据有助于确定哪些孩子患有自闭症。

收集到所有数据后，研究人员开始训练机器学习程序，然后用它来预测自闭症风险。

他们的目标是测试该算法是否能够仅根据 6 个月大婴儿的功能连接数据准确识别哪些婴儿会患上自闭症。

机器学习是人工智能的一种形式，它处理的数据越多，就越智能。在这项研究中，该系统学会了识别6个月大婴儿大脑功能连接方面的差异，并将其与2岁时的行为指标关联起来。

为了测试准确性，团队一开始并没有使用全部59名婴儿的数据。相反，他们用58名婴儿的数据训练模型，并使用剩余一名婴儿的数据来测试预测结果。对每个婴儿重复此过程。

艾默生说：“根据小组中其他孩子的学习模式，可以对每个孩子进行单独预测。”

最终结果是，该机器学习程序准确率高达82%，成功预测了儿童的自闭症谱系障碍。这标志着自闭症谱系障碍的早期发现迈出了重要一步，为及时干预、改善儿童生活创造了机会。

研究的成功得益于父母的奉献

皮文博士表示，该团队之前发表过一项预测率令人印象深刻的研究，但那项研究需要进行两次核磁共振扫描，一次在孩子6个月时，一次在孩子1岁时。现在只需一次扫描就能提前发现自闭症风险，这无疑是一大进步。

尤其令团队感动的是，家长们多年来对这项研究以及许多其他研究的积极参与。尽管准备充分，但家长们的参与意愿仍然让他们感到惊讶。

“他们是一群了不起的人，”皮文说。“他们不仅收治年龄较大的自闭症儿童，还带着年幼的孩子，经常从很远的地方来，来我们遍布美国的四个临床中心之一。”

“他们确实很敬业，”埃默森强调道。

研究小组希望这些贡献能够为更有效的干预铺平道路，让患有自闭症的儿童有更好的发展机会。