最近的研究表明，人工智慧 (AI) 在協助識別有自閉症風險的幼兒方面具有潛力，對於兩歲以下兒童的準確率約為 80%。
最近的研究表明，人工智慧 (AI) 在幫助識別有自閉症風險的幼兒方面顯示出良好的前景，對於兩歲以下兒童的準確率約為 80%。
瑞典卡羅林斯卡學院的一組研究人員開發了一種基於機器學習的篩檢系統。雖然人工智慧模型無法取代傳統的診斷方法，但它可以幫助儘早識別可能需要進一步臨床評估的兒童。
研究合著者 Kristiina Tammimies 博士說：“使用人工智慧模型，可以利用現有資訊並識別自閉症可能性較高的個體，以便他們能夠得到早期診斷和幫助。”
不過，她警告說，該模型不應被視為獨立的診斷工具，並重申最終診斷應透過標準的臨床方法進行。人工智慧模型是使用美國 Spark 研究的數據開發的，該研究提供了 15,330 名被診斷患有自閉症的兒童和同等數量的無自閉症兒童的資訊。
研究人員從醫學和背景問卷中，選擇了28個在孩子24個月大之前可以輕鬆獲得的衡量標準，例如第一次微笑的年齡、飲食行為和第一次構建較長句子的年齡。
研究團隊利用機器學習分析數據中的模式，比較了自閉症和非自閉症兒童之間識別出的模式，建立了四種不同的模型，選擇最有效的模型進行進一步測試。
當應用於包含 11,936 名參與者的單獨資料集時，該模型正確識別出 78.9% 的兒童為自閉症或非自閉症。具體來說，兩歲以下兒童的準確率為78.5%，兩歲至四歲兒童的準確率為84.2%，四歲至十歲兒童的準確率為79.2%。
使用 2,854 名自閉症患者的數據集進行的額外測試導致準確率較低，為 68%，研究人員將其歸因於數據集的差異，包括一些缺失的參數。
研究確定了幾個對人工智慧模型對自閉症預測有顯著影響的關鍵指標，包括吃某些食物的問題、孩子第一次構造較長句子的年齡、孩子進行如廁訓練的年齡以及開始如廁訓練的年齡。孩子第一次笑了。
研究團隊表示，這些因素在模型區分自閉症和非自閉症兒童的能力中發揮了至關重要的作用。
進一步的分析表明，該模型傾向於更準確地識別出表現出更嚴重症狀和更廣泛發育問題的個體的自閉症。這項發現表明，該模型可能更有效地識別自閉症伴隨的更明顯的發育挑戰的病例。
儘管結果令人鼓舞，但一些專家對該模型正確識別非自閉症兒童的能力表示擔憂。該模型的準確率高達 80%，可能會導致過度診斷，並給家庭帶來不必要的壓力，因為 20% 的非自閉症兒童可能被錯誤地標記為可能患有自閉症。
埃克塞特大學的金妮·拉塞爾教授對推動早期診斷，尤其是幼兒的早期診斷發出了警告。
「很難區分患有嚴重障礙的幼兒和只是發育較慢但最終會『趕上來』的幼兒。我不建議對兩歲以下的兒童貼上精神病學標籤。羅素說：「基於有限範圍的行為指標，例如他們是否吃某些食物。 」
以上是研究發現 AI 模型可以辨識有自閉症風險的幼兒，準確率達 80%的詳細內容。更多資訊請關注PHP中文網其他相關文章！
