韩国研究人员开发的 AI 系统如何帮助预测 ASD 严重程度

延世大学医学院 (YUCM) 的研究人员成功开发了一种基于深度学习的模型，能够诊断自闭症谱系障碍 (ASD) 并确定其严重程度。通过专注于共同注意力行为，该团队旨在提供 ASD 的客观和定量测量，解决目前对主观临床评估的依赖。他们的发现有可能提高诊断准确性，并协助开发 ASD 和其他神经系统疾病的精确筛查工具。

位于韩国的延世大学提供近 1,000 门课程 用英语授课，其中许多课程向所有部门的 CIEE 学生开放，但医学、护理、法律、音乐以及远程国际松岛校区的课程除外。许多国际学生选择在韩国学习医学，希望磨练更多技能并发展职业生涯。然而，在韩国学习并不容易，因此你需要有先前的学术准备。

共同注意力的客观评估

自闭症谱系障碍 (ASD) 是一种神经发育障碍，影响人们与他人互动、沟通、学习和行为的方式。虽然自闭症可以在任何年龄诊断，但由于症状通常在生命的前 2 年内出现，因此被描述为“发育障碍”。科学家认为 ASD 有多种原因共同作用，改变了人们发展的最常见方式。

共同注意力涉及社交互动中的眼神接触、转头和眼神转移等行为，是诊断 ASD 的关键行为标志。然而，缺乏共同注意力的客观、定量测量给准确诊断带来了挑战。为了解决这个问题，YUCM 生物医学系统信息学系的 Ko Chan-young 讲师和 Park Yu-rang 教授开发了一种协议来客观评估共同注意力行为。

数据收集和深度学习模型

研究人员记录了 95 名儿童（包括 45 名 ASD 儿童和 50 名无 ASD 症状儿童，年龄 24-72 个月）的共同注意力行为视频。这些视频涵盖了三种类型的共同注意力：共同注意力发起 (IJA)、低水平共同注意力响应 (RJAlow) 和高水平共同注意力响应 (RJAhigh)。利用这个数据集，团队训练了一个深度学习模型来区分 ASD 儿童和非 ASD 儿童，并预测 ASD 的严重程度。

研究人员使用几个指标评估了模型的性能，包括受试者工作特征曲线下面积 (AUROC)、准确率、精确率和召回率。AUROC 衡量测试的诊断准确性，而准确率代表数据集中正确预测的百分比。精确率评估正确识别阳性测试结果个体的概率，而召回率确定正确识别患病个体的概率。

令人印象深刻的结果和严重程度评估

深度学习模型在所有三种类型的共同注意力行为中均取得了卓越的性能。当分析 IJA 视频作为输入时，模型显示出 99.6% 的 AUROC、97.6% 的准确率、95.5% 的精确率和 99.2% 的召回率。在分析其他两种类型的共同注意力行为时，模型的性能保持一致。 

关于严重程度评估，即将 ASD 的严重程度分类为无症状、轻度-中度和重度，当分析 IJA 视频时，模型实现了 90.3% 的 AUROC、84.8% 的准确率、76.2% 的精确率和 84.8% 的召回率。

意义和未来影响

结果表明，与其他共同注意力行为相比，IJA 是一种更精确的分类，反映了儿童对社交互动的渴望和意图。Park 教授强调了他们研究的重要性，指出开发的模型能够客观地数字化儿童的行为指标，以识别 ASD 并评估症状严重程度。这些发现对开发 ASD 和其他具有行为复杂性的神经系统疾病的筛查工具和精确诊断方法具有意义。

延世大学研究人员通过开发基于深度学习的模型，在 ASD 严重程度分析方面取得了重大进展。他们对共同注意力行为的客观评估提供了一种更准确和定量的 ASD 诊断和严重程度预测方法。这一突破有可能协助研究和临床评估，协助开发 ASD 和其他具有类似行为挑战的神经系统疾病的筛查工具和诊断方法。发表在《JAMA Network Open》上的这些发现有助于推进对 ASD 的理解和管理。

注意：特色图片由 Iris, 一个患有自闭症并通过绘画表达自我的孩子提供。她的父母出售她的艺术品为她筹集私人治疗和艺术品资金。Grace 还有 Facebook 页面 由父母管理的账号“@IrisGracePainting”。她已在英国和世界各地出售了几件艺术品。