新的人工智能驱动算法可以检测大脑指纹中的自闭症

斯坦福大学的研究人员开发了一种算法，可以通过查看大脑扫描来帮助辨别某人是否患有自闭症。在人工智能 (AI) 最新进展的推动下，这种新算法还成功地预测了个体患者自闭症症状的严重程度。随着进一步的磨练，该算法可以导致更早的诊断，更有针对性的治疗，并扩大对自闭症起源于大脑的理解。

该算法对通过功能性磁共振成像 (fMRI) 扫描收集的数据进行细化。这些扫描捕获整个大脑的神经活动模式。通过在大脑的许多区域随时间映射这种活动，该算法会生成神经活动“指纹”。虽然每个人的指纹都是独一无二的，就像真正的指纹一样，但大脑指纹仍然具有相似的特征，可以对其进行分类和分类。

正如 在生物精神病学上 发表 的一项新研究中所述，该算法评估了大约 1,100 名患者样本的脑部扫描。该算法以 82% 的准确率选择了一组人类临床医生诊断为自闭症的患者。

“尽管自闭症是最常见的神经发育障碍之一，但我们仍然不了解它，”主要作者 、斯坦福大学精神病学和行为科学临床助理教授、斯坦福大学 HAI 附属教师Kaustubh Supekar说。“在这项研究中，我们已经证明，我们的人工智能驱动的大脑‘指纹’模型可能成为推进诊断和治疗的强大新工具。”

与许多其他疾病不同，自闭症缺乏客观的生物标志物——可以揭示疾病存在的迹象，有时甚至是严重程度——这意味着对这种疾病没有简单的测试。相反，诊断是基于观察患者的行为，这些行为自然是高度可变的，因此使诊断成为一项挑战。(自闭症的常见症状包括难以驾驭日常社交互动、交流和学习方面的缺陷，以及重复的言语和动作。)

“我们需要为自闭症创造客观的生物标志物，”Supekar 说，“而大脑指纹让我们更进一步。”

结合大数据和 XAI

长期以来，科学家们一直在通过 fMRI 扫描寻找生物标志物。然而，迄今为止针对少数人群的研究报告了相互矛盾的结果，这源于患者大脑的自然变异性，并因 fMRI 机器和测试方法的差异而进一步混淆。

Supekar 说，与许多科学领域一样，自闭症研究已经采用了大数据方法，通过分析大量的、具有统计学意义的样本，可以得出以前无法获得的见解。Supekar 的新研究就是一个很好的例子，它将来自世界各地的医疗中心的脑部扫描汇集到一个庞大的、人口统计和地理多样化的数据集中。

下一步是有效地解析和处理数据的复杂性和可。Supekar 及其同事认为，由科技公司开发的图像识别算法是一个很好的起点。这些算法在处理他们评估的图像中显着程度的可方面变得越来越复杂。

例如，Supekar 说，想象一个算法旨在识别在线图像中的猫和狗。该算法必须应对从不同角度和距离拍摄的动物，并灵活地考虑品种之间的颜色和特征范围。

“要使图像识别 AI 取得成功，无论是我 5 岁的孩子拍照还是摄影获奖的人都没有关系——算法必须在这两种情况下都有效，”Supekar 说。“你在猫和狗的照片中得到同样的异质性，你也会在脑部扫描中得到。”

在推导他们的图像识别算法时，Supekar 及其同事试图让人工智能对人类研究人员来说是可解释或可理解的。近年来，研究人员专注于制作可解释的人工智能或 XAI，这与传统的人工智能系统可能会产生高质量的结果但不是以显而易见的方式形成对比。

“一个挑战是人工智能算法可能是一个‘黑匣子’，我们无法解释算法的准确性来自哪里，”Supekar 说。

再次以猫对狗的示例模型为例，研究人员想知道该算法是否正在挑选动物的面部特征或颈部大小。对于大脑指纹算法，Supekar 及其同事构建了一个简单的数学模型，用于评估大脑区域相互作用和互连性。以这种方式，XAI 算法针对三个大脑区域，在数据集的可分组部分中表现出显着的互连性差异。

为 XAI 算法的发现提供可信度，这三个大脑区域以前与自闭症病理学有关。这些区域是后扣带皮层和楔前叶，它们构成默认模式网络(DMN)的一部分，在清醒休息期间特别活跃;背外侧和腹外侧前额叶皮层，参与认知控制;和颞上沟，参与处理人声的声音。特别是，DMN 的中断是研究人群中自闭症症状严重程度的有力预测因素。

越早越好

虽然 XAI 算法在开发的早期阶段表现出色，但 Supekar 及其同事仍需要进一步提高其准确性，以将大脑指纹识别提高到确定的生物标志物水平。研究人员打算探索该算法在兄弟姐妹研究中的功效，其中一个兄弟姐妹患有自闭症而另一个没有，以磨练检测可能非常相似的大脑之间微调但关键差异的能力。

Supekar 设想使用大脑指纹来评估非常年幼的儿童的大脑，这些儿童可能早在 6 个月或 1 岁大，这些儿童患自闭症的风险很高。早期诊断对于获得更好的结果至关重要，当患者仍处于蹒跚学步的年龄与儿童后期相比时，治疗被证明更有效

“我们希望我们研究中展示的方法可以在干预最有效的机会之窗内诊断自闭症，”Supekar 说。