《Heliyon》:A systematic review of machine learning techniques to address diagnosis and treatment of autism: challenges and opportunities
编辑推荐:
本文针对自闭症谱系障碍(ASD)早期诊断和精准干预的临床挑战,系统回顾了2017-2023年间55项研究,探讨了机器学习(ML)技术的应用现状。研究发现监督学习在ASD分类诊断中占主导地位,深度学习(DL)和混合方法(Hybrid Methods)展现出处理多模态数据的潜力。研究结果为开发集成遗传、临床和多模态数据的智能诊断模型提供了重要参考,指明了通过跨学科合作提升ASD诊疗水平的新方向。
自闭症谱系障碍(Autism Spectrum Disorder, ASD)是一种复杂的神经发育障碍,主要表现为社会交往和交流障碍,以及限制性、重复性的行为模式。由于ASD的病因尚不完全清楚,且其症状表现具有高度的异质性,因此早期准确诊断和个性化治疗干预面临着巨大挑战。近年来,随着人工智能技术的飞速发展,机器学习(Machine Learning, ML)方法为破解ASD的复杂性提供了新的工具和视角。传统的知识驱动方法在应对ASD这种高度变异性的疾病时往往力不从心,而数据驱动的ML技术则展现出从海量、多源数据中挖掘隐藏模式和相关性的强大能力,有望显著提升诊断的准确性和效率,并为理解疾病机制、开发个性化治疗方案开辟新途径。
为了系统评估ML技术在ASD研究中的应用现状、趋势与未来方向,研究人员在《Heliyon》上发表了这篇系统综述。该研究旨在回答几个核心问题:近年来哪些ML技术被广泛应用于ASD研究?不同类型的数据(如脑影像、临床数据、眼动追踪等)在研究中扮演何种角色?当前研究面临的主要挑战和未来的机遇是什么?通过对2017年至2023年间发表的55项高质量研究进行系统性梳理和分析,该综述旨在为研究人员和临床医生提供一个全面的技术路线图。
研究人员为开展此项系统综述,主要应用了以下几个关键技术方法:首先,制定了严格的文献检索策略,在ScienceDirect、Scopus和MDPI等主要数据库中使用“autism spectrum disorder”、“autism”、“ASD”和“machine learning”等关键词进行检索。其次,依据PRISMA(Preferred Reporting Items for Systematic Reviews and Meta-Analyses)指南设定了明确的文献纳入和排除标准,最终从163篇初始文献中筛选出55篇符合要求的研究进行深入分析。此外,研究设计了八个具体的研究问题(Research Questions, RQs),涵盖了发表趋势、作者地域分布、ML方法类型、常用技术、数据类型、样本量、数据库使用情况以及技术性能评估等多个维度,并采用定量和定性相结合的方法对纳入的研究进行了综合分析。
3. 结果
3.1. RQ1与RQ2:研究发表趋势与地域贡献
分析显示,这些研究均发表于2017至2023年间的高质量国际期刊。从出版国家来看,荷兰的期刊发表了最多相关研究(27.27%),其次是美国(21.81%)和英国(20%)。就作者贡献而言,美国和中国是领先的国家,这与两国在研发领域的巨大投入相符。美国在通讯作者和合作作者贡献方面均位居前列,中国紧随其后,而其他国家的贡献相对较少。
3.3. RQ3:最常用的机器学习方法类型
结果表明,监督学习(Supervised Learning)是ASD研究中应用最广泛的方法。这符合ASD诊断本质上是一个分类问题的特性。然而,混合方法(Hybrid Methods)的数量呈现增长趋势,这类方法通常通过结合监督学习和无监督学习(Unsupervised Learning)等技术,以期获得更好的性能。监督学习的优势在于有标签数据可用时分类和预测的准确性高,但其性能严重依赖高质量标注数据的数量和多样性。无监督学习则善于在无标签数据中发现潜在结构,有助于识别ASD内的亚组,但结果解释更具挑战性。将两者结合的混合方法有望取长补短。
3.4. RQ4:最常用的机器学习技术
在具体技术层面,支持向量机(SVM)、随机森林(Random Forest, RF)、决策树(Decision Trees, DT)、人工神经网络(如MLP)等“经典”算法使用频率最高。值得注意的是,基于深度学习(Deep Learning)的技术,如卷积神经网络(CNNs)、自动编码器(Autoencoders)等在2019-2020年间应用有所增加,虽然2021-2023年间相关研究数量在表格中显示有所减少,但文章指出随着数据可用性的增加,深度学习的角色正在扩大,是未来的一个重要趋势。
3.5. RQ5:最常用的数据类型
在用于训练和测试ML模型的数据类型方面,脑数据(例如来自功能性磁共振成像fMRI或脑电图EEG的数据)是绝对的主流,占45%。其次是临床数据(25%)和眼动追踪数据(18%)。基因组数据、面部识别数据等也有应用,但占比较小。此外,有少数研究尝试结合多种数据类型(如脑数据与眼动追踪)进行多模态分析。
3.6. RQ6:研究的样本量
所分析研究的样本量分布不均。样本量在51-100和1001-2000区间的研究各占20%。而样本量在201-300之间的研究较少(5.45%)。许多创建自己数据库的研究样本量相对较小(如0-50人,占21%),这反映了在临床人群中获取大样本数据的实际困难。
3.7. RQ7:数据库使用情况
58%的研究使用了公共数据库,而42%的研究开发了自己的专用数据库。最常用的公共数据库是自闭症脑影像数据交换库(Autism Brain Imaging Data Exchange, ABIDE),占使用公共数据库研究的31.42%,其次是加州大学欧文分校(UCI)机器学习库。
3.8. RQ8:机器学习技术管理ASD的性能评估
综述通过准确率(Accuracy)、敏感性(Sensitivity,即召回率)、特异性(Specificity)和曲线下面积(AUC)等指标评估了ML技术在ASD中的应用效果。许多研究报道了超过90%的准确率,部分甚至达到100%的敏感性和特异性,AUC值也普遍较高。这表明ML方法在ASD检测和诊断任务中表现出卓越的性能,具有良好的应用前景。
4. 讨论
本综述系统性地总结了2017-2023年间ML技术在ASD研究中的应用现状。结果显示,监督学习方法因其适用于分类任务而占据主导地位,SVM、RF、DT等是其中最常用的算法。脑成像数据是当前最重要的数据来源。尽管许多研究取得了高性能指标,但当前研究也面临一些挑战和局限性。例如,数据稀缺,尤其是高质量、大样本的数据集仍然有限;数据偏差问题,如数据可能来自特定人群,影响模型的泛化能力;以及模型的可解释性(Explainable AI, XAI)问题,复杂的模型(如深度学习)有时如同“黑箱”,不利于临床医生理解和信任。
针对这些挑战,综述也指出了未来的机遇和发展方向。创新性方法包括:开发混合学习方法,整合不同ML技术的优势;探索联邦学习(Federated Learning)以在保护数据隐私的前提下利用多中心数据;推动多模态数据(如遗传、临床、行为、影像数据)的融合分析;利用可穿戴设备等新技术进行连续、非侵入性监测,获取更自然场景下的数据;以及加强深度学习、自然语言处理(NLP)等先进技术在ASD研究中的应用,同时注重提升模型的可解释性。
5. 结论
综上所述,这篇系统综述表明,机器学习技术为自闭症谱系障碍的诊断和干预研究提供了强大的工具。监督学习方法是当前的基石,而结合无监督学习、深度学习等的混合方法以及多模态数据整合代表了未来的重要方向。然而,要充分发挥ML的潜力,仍需克服数据、泛化、可解释性及临床整合等方面的挑战。未来的进展将极大地依赖于计算机科学家、临床医生、心理学家等多学科团队之间的紧密协作,共同开发出既技术先进又临床实用、个性化的解决方案,最终改善ASD患者的生活质量。