综述：眼动追踪技术在支持自闭症谱系障碍患者中的应用：见解、挑战与机遇

这篇综述系统梳理了眼动追踪技术（ET）在自闭症谱系障碍（ASD）研究中的三大核心应用：认知差异分析、行为干预支持和技术适配挑战。通过170项研究的荟萃分析，揭示了ET技术如何量化ASD患者的社会注意缺陷（如眼神追踪异常）和重复行为模式，同时指出跨学科协作（心理学+计算机科学）对优化数据采集标准的关键作用。

　　

Abstract

自闭症谱系障碍（ASD）作为神经发育性疾病的典型代表，其核心症状——社会沟通障碍与刻板行为模式，正被眼动追踪（Eye-tracking, ET）技术重新解构。170项跨数据库研究证实，ET通过毫秒级眼球运动记录，为ASD的非语言诊断提供了客观生物标记。

技术赋能认知解码

ET技术捕捉到ASD患者独特的视觉扫描路径：对社交场景中眼部区域的回避（比神经典型群体少40%注视时间）、对非社会性刺激（如几何图形）的过度关注。这种量化数据直接关联《精神障碍诊断与统计手册》DSM-5中ASD的诊断标准。

临床转化三重奏

• 早期筛查：2分钟ET范式可区分12月龄婴儿的ASD高风险特征 • 干预优化：实时眼动反馈使社交技能训练效率提升35% • 疗效评估：瞳孔直径波动（>2.5mm）预测行为疗法响应率

技术迷雾与破局点

当前最大挑战来自数据异质性——不同采样率（30Hz vs 1200Hz）设备导致跨研究比较困难。值得关注的是，机器学习（ML）模型通过融合眼动热图与临床量表，正在建立ASD亚型分类新标准（准确率达89.7%）。

未来技术进化方向

可穿戴ET眼镜的生态效度验证、多模态数据（眼动+EEG+fNIRS）融合、基于数字表型的个体化干预方案，将推动ASD研究进入精准医学时代。值得注意的是，约67%的纳入研究强调需建立ASD专属的眼动基准数据库。