2023-07-01 | 안경진 기자

禹英禑患的“自闭症谱系障碍”,助力早期诊断的AI来了 [健康时间]

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

帮助发现难以早期诊断的自闭症谱系障碍(ASD·Autism Spectrum Disorder)并评估其严重程度的人工智能(AI)模型,由韩国研究团队开发成功。

延世大学医学院生物医学系统信息学教研室讲师高赞永与教授朴有朗共同研究团队30日表示,利用可衡量儿童社会功能的“共同注意(joint attention)”行为的评估与测量方法,构建了能够诊断ASD并确认其严重程度的深度学习模型。

ASD是一种导致包括沟通在内的与他人社会互动能力下降的神经发育障碍。除与身边一两个人形成特殊关系的情况外,患者在与他人互动方面存在困难,并对有限的兴趣表现出重复行为。此前略显生僻的ASD,通过去年最卖座的电视剧《非常律师禹英雨》获得了大量关注。据悉,患有ASD的儿童在满5岁时的认知功能及语言发育水平是决定预后的重要因素。因此尽早发现并持续接受治疗十分重要,但早期诊断并不容易。

这是因为,尽管指代与他人互动情境中所表现行为模式的术语“共同注意”被视为诊断ASD的主要行为指标,却缺乏客观、定量的测量方法。在临床现场,只能依据评估者的主观判断来判定是否患有ASD及其严重程度,存在局限。

研究团队开发了客观评估共同注意并以视频数据采集所诱发行为的方案。随后利用该方案,针对45名出生后被诊断为ASD的24~72个月龄儿童和50名正常发育儿童,共95人,采集了3种类型的共同注意行为视频。共同注意由视线移动、转头、目光接触构成,大致分为三类:儿童自行按物品—他人—物品或他人—物品—他人移动视线以诱导互动的“自发性共同注意”,以及当他人先用手指指向近处或远处物品来诱导互动时,儿童通过视线移动注视物品的程度,分别为“低水平被动共同注意”和“高水平被动共同注意”。

研究团队以采集的共同注意视频数据为输入值,构建了识别自闭症谱系障碍与正常发育、并预测ASD严重程度的AI评估系统。随后对共同注意3种类型分别分析深度学习模型对自闭症谱系障碍有无及严重程度的预测性能,采用表示诊断准确度的“受试者工作特征曲线下面积”(AUROC)、准确度(全部数据中预测结果与实际值一致的件数所占比例)、精确率(检查诊断为阳性时实际患病的概率)、召回率(实际患病者接受检查时呈阳性的概率)等4项指标。

结果显示,深度学习预测模型在3种共同注意类型中的4项指标均达到高水平,可预测是否患有ASD。据研究团队介绍,以儿童自行诱导互动的自发性共同注意视频为输入值分析预测模型时,表示诊断准确度的AUROC达到99.6%。作为最直观体现检查工具性能的指标,准确度高达97.6%,精确率(阳性预测值)与召回率(敏感度)分别为95.5%和99.2%。精确率意味着检查诊断为阳性时实际患病的概率,召回率则意味着实际患病者接受检查时呈阳性的概率。这客观验证了此次开发的AI模型适合作为ASD的筛查检查。以另外2种类型的视频为输入值分析时,也表现出同等水平的预测能力。

研究团队将ASD严重程度分为“无症状、轻度—中度、重度”三类后进行的评估中,各项指标同样录得高数值。研究团队推测,这是因为自发性共同注意比其他类型的共同注意更能反映儿童对社会互动的需求与意图,因而能够实现精细分类。

朴教授表示:“通过本次研究,我们开发了将儿童行为指标数字化、以客观方法识别自闭症谱系障碍并评估症状严重程度的模型”,并称“今后不仅对自闭症谱系障碍,也将有助于伴随多种行为问题的脑神经疾病研究以及临床评估用筛查与精密诊断辅助工具的开发”。

本次研究结果发表于国际学术期刊《JAMA Network Open》。

阅读韩文原文