综述：孤独症谱系障碍中的人工智能：诊断、行为分析与教育支持的进展

《Frontiers in Neuroscience》：Artificial intelligence for autism spectrum disorder: advances in diagnosis, behavior analysis and educational support

　　

摘要：引言：人工智能（Artificial Intelligence，AI）已成为孤独症谱系障碍（Autism Spectrum Disorder，ASD）研究中日益重要的领域，为孤独症谱系个体的分析、检测与支持提供了新型技术路径。本研究旨在对考察人工智能在ASD中应用的近期科学文献进行系统综述。方法：本综述依照系统综述与荟萃分析优先报告项目（Preferred Reporting Items for Systematic Reviews and Meta-Analyses，PRISMA）2020指南开展。研究人员在PubMed、Scopus、Dialnet和Google Scholar中进行了检索，纳入2019年至2025年发表的研究。在应用预设纳入与排除标准后，最终将18项实证研究纳入分析。方法学质量与偏倚风险采用Joanna Briggs Institute关键评价工具，并根据各研究的方法学设计进行适配评估。结果：当前研究主要聚焦四个领域：早期检测与诊断支持、行为与社会模式的自动化分析、基于AI的教育技术，以及沟通支持系统。尽管纳入研究显示机器学习（Machine Learning，ML）、计算机视觉（Computer Vision，CV）与自然语言处理（Natural Language Processing，NLP）方面取得了有前景的进展，但仍存在重要的方法学局限，尤其涉及外部验证、数据集代表性以及性能指标异质性。讨论：总体而言，人工智能在支持ASD的诊断、教育与沟通方面显示出显著潜力；然而，在其于真实临床与教育情境中更广泛实施之前，仍需更高的方法学稳健性、透明度以及伦理保障。

1 Introduction

本文首先界定孤独症谱系障碍（Autism Spectrum Disorder，ASD）为一种神经发育性状况，其核心特征包括持续性的社会沟通差异、人际互动障碍以及局限或重复的行为模式。正文强调，这些特征在强度与表现形式上具有显著异质性，从而形成差异化的认知与行为谱系，并对应多样化的教育和支持需求。在此基础上，文章指出，近几十年来学界对孤独症相关认知、社会及教育过程的关注持续增加，而数字技术的发展则为更精准地设计干预与支持工具提供了条件，使临床与教育场域逐渐出现技术增强型支持模式。

在技术背景的铺陈中，作者将人工智能（Artificial Intelligence，AI）定位为当前孤独症研究中最具应用潜力的方向之一。文章认为，AI系统能够处理大规模数据并识别复杂行为模式，从而支持预测模型与自适应支持工具的开发。主体内容进一步回顾既有应用场景，包括利用行为、语言或生物计量数据开展早期识别，借助面部表情、语音特征或视觉注意模式分析发现与ASD相关的指标，以及面向个体化教学的智能教育工具开发。文章同时强调，这些系统应被理解为临床判断的辅助机制，而非替代专业人员正式诊断的独立手段。

随后，正文引入教育与伦理双重视角。在教育方面，作者指出，AI可用于构建自适应学习环境，根据学生的认知与行为特征调整任务难度、提供即时反馈并促进融合教育参与。在伦理方面，文章提示数据伦理、算法偏差以及技术资源可及性不平等等问题，认为需要建立规范化的伦理与监管框架。与此同时，研究还从神经多样性视角出发，强调孤独症不仅是临床诊断对象，也可被理解为人类神经差异的一种表现，因此AI技术不仅应服务于“问题矫正”，也应支持孤独症个体的认知优势发挥与社会参与提升。基于现有研究分散、异质且多集中于狭窄技术领域的现状，文章提出有必要开展更具整合性的系统综述，以同时审视诊断、行为、教育和沟通多个维度中的AI应用。

2 Materials and methods

在方法部分，研究采用系统综述设计，并遵循PRISMA 2020报告规范，以保证文献筛选与证据综合的透明性和方法学严谨性。由于研究仅分析既往发表文献，因此不涉及伦理委员会或机构审查委员会审批。检索来源包括PubMed、Dialnet、Scopus与Google Scholar，覆盖医学、心理学、教育学及健康技术等相关领域。检索时间范围设定为2019年1月至2025年5月，目标是聚焦AI在孤独症领域中的最新发展。

检索策略依据各数据库的索引特征进行调整，核心通过布尔逻辑词“AND”“OR”联合“孤独症谱系障碍”“人工智能”“机器学习（ML）”“深度学习（Deep Learning，DL）”“计算机视觉（CV）”“自然语言处理（NLP）”以及“诊断”“检测”“教育”“干预”“行为”“沟通”等主题词，以尽可能完整识别相关研究。对于Dialnet和Google Scholar，研究使用了简化检索组合。文章还说明，筛选过程中限制文献为2019年至2025年间发表的英文全文研究，并提供补充表说明完整检索式、筛选条件、检索日期及检获记录，以增强可复现性。作者同时坦陈该系统综述未在PROSPERO等国际平台注册，这被视为一项方法学局限。

在研究选择过程中，初始检索共获得298条记录。两位研究人员独立进行去重、题录与摘要筛查，并通过Excel表格记录信息；若出现分歧，则经讨论达成一致，仅纳入双方均同意的研究。纳入标准主要包括：同行评议英文实证研究、聚焦AI在ASD中的应用、发表时间在2019年至2025年之间且可获取全文。研究设计类型涵盖观察性研究、实验研究、纵向研究以及技术验证研究。排除标准包括单纯药物治疗研究、与数字技术无关的临床干预、非英文研究、单病例研究、小样本病例系列、叙述性综述、既往系统综述及Meta分析。最终共有18项研究进入正式综述。

在质量评价方面，作者针对纳入研究的方法学异质性，采用Joanna Briggs Institute（JBI）批判性评价清单，并依据研究类型分别选择诊断准确性、随机对照/准实验或分析性横断面研究对应工具。两位评审者独立完成质量评分与偏倚风险评估，并通过协商解决分歧。统计分析层面，由于研究设计、分析变量及结局指标差异较大，作者未实施Meta分析，而是采用描述性与比较性综合方法，将研究按主题归类为早期检测与诊断支持、行为与社会分析、AI教育工具和沟通支持技术，并在叙述性综合中结合准确率、敏感度、特异度及预测性能等指标进行归纳。

3 Results

结果部分首先报告纳入研究的方法学质量总体处于中等至较高水平，但同时存在多项重复出现的局限。与诊断准确性及机器学习分类相关的研究通常质量较好，但在样本代表性、外部验证、数据集不平衡与过拟合风险方面存在不足；教育和沟通支持研究则多受限于样本量较小、纵向随访不足以及真实教育情境中的验证有限。这一结果说明，虽然AI在ASD研究中显示出较高的技术活跃度，但证据基础尚未完全达到可广泛推广的成熟阶段。

关于“早期检测与诊断支持”，文章指出这是当前最突出的研究方向。多项研究表明，机器学习算法能够基于结构化行为数据识别与ASD相关的行为模式，并在自动分类中获得较高准确率。部分研究进一步显示，AI支持的数字平台可通过行为数据自动分析辅助筛查流程，并支持诊断决策。近年来的发展还包括可解释人工智能（Explainable Artificial Intelligence，XAI）框架的提出，其价值在于提升模型决策的可解释性，使临床人员更清楚地理解算法如何形成判断。与此同时，基于家庭视频、移动工具及深度学习的视频分析也被证明能够识别孤独症早期行为指标，提高早期识别的敏感性与准确性。

在“行为与社会模式自动化分析”方面，研究主要依赖计算机视觉（CV）技术。正文总结指出，这类系统能够自动提取与社会互动、视觉注意和眼神接触相关的行为标记，用以区分孤独症儿童与非孤独症儿童在互动模式上的差异。面部表情自动分析也是重要内容之一，研究显示AI可识别与情绪加工相关的特征性模式。这类技术扩展了传统临床观察的手段，使社会行为评估从主观观察逐渐走向可计算、可量化的行为特征提取。

在“教育干预”领域，文章指出，基于AI的教育技术可促进更具适应性的学习环境构建。相关研究表明，智能教育工具与智能辅导系统（Intelligent Tutoring Systems，ITS）能够依据学生的个体特征调整教学活动，支持社会技能、情绪表达及任务参与的提升。作者特别强调，这类系统对于ASD学生具有潜在优势，因为该群体在沟通、注意、感觉调节与社会互动方面常呈现高度异质性，自适应教学技术因此有望提供更个体化的教学支持。

在“沟通支持”方面，自然语言处理（NLP）与AI辅助语音生成系统构成主要研究脉络。一类研究聚焦于通过语言模式分析识别与孤独症相关的语言特征，另一类研究则关注利用AI辅助言语生成提升儿童的口头沟通与社会互动能力。文章据此认为，语言和沟通相关技术不仅具有筛查价值，也具备支持表达性沟通与促进社会参与的潜力。

4 Discussion

讨论部分对上述发现进行了综合阐释，并强调AI在ASD领域中的扩展并非线性、单一的发展过程，而是由多类技术、不同研究设计和差异化验证水平共同构成的复杂图景。作者首先指出，当前研究涵盖传统机器学习、深度学习、计算机视觉、自然语言处理以及多模态整合方法，不同技术在数据需求、可解释性、预测性能和现实适用性方面存在明显差异。传统机器学习模型通常依赖结构化行为数据，优势在于相对较高的可解释性，这对于临床支持系统尤为重要，因为专业人员需要理解哪些变量驱动了预测结果；但其局限在于数据规模较小、外部验证不足，导致跨群体推广能力受限。

与之相比，深度学习在视频分析和复杂行为模式识别中的作用日益突出。相关研究显示，深度学习能够处理非结构化音视频数据，并在识别早期行为指标方面获得较高预测性能。然而，这类系统通常需要更大规模训练数据和更多计算资源，同时存在“黑箱”问题，即决策过程不透明，可能削弱临床工作者、教育者及家庭对系统的信任。因此，可解释人工智能（XAI）被视为重要发展方向，其意义在于提高算法透明度，促进多学科团队对模型输出进行审慎理解与专业整合。

文章还重点讨论了方法学稳健性问题。尽管多数研究报告了较高准确率、敏感度或分类效果，但作者强调，预测性能不应脱离研究设计质量而被单独解读。若样本规模有限、数据来源单一或样本过于同质化，则模型容易发生过拟合，在受控环境中表现良好，却难以迁移至真实临床与教育场景。不同研究在训练流程、验证方法、样本构成和评价指标上的差异，也使跨研究比较变得困难。因此，建立更加统一的数据标准、行为指标框架与评价体系，被视为未来推进证据积累的重要条件。

在应用层面，讨论部分明确提出，AI在ASD中的功能更适合被定位为专业支持工具，而非独立替代诊断者。由于孤独症诊断通常依赖发展史、行为观察、标准化工具和临床专业判断的综合评估，AI更适合作为筛查、分类和辅助决策机制。文章进一步指出，分类错误具有现实后果：假阳性可能增加家庭焦虑并加重诊疗系统负担，假阴性则可能延误关键发展阶段的早期干预。因此，最合理的路径是将算法预测嵌入由多学科专业团队主导的混合式决策模型之中。

教育应用方面，作者认为AI有望支持个体化教学与融合参与，但现有研究多在高度控制环境中进行，样本量小、干预周期短，尚不足以充分证明其在真实课堂中的长期效果与可持续性。此外，教育推广还受到技术基础设施、教师培训、跨专业协作和制度支持差异的制约。换言之，AI教育工具的潜力已经显现，但其常态化落地仍依赖更强的生态支持条件。

最后，讨论部分集中分析公平性、泛化性及伦理监管问题。由于机器学习模型高度依赖训练数据，若数据在年龄、性别、族群、社会经济背景或临床表现方面代表性不足，则算法偏差可能被复制甚至放大。文章特别指出，孤独症研究历史上存在男性样本占优现象，这可能使模型对女性或表现形式不典型者识别不足。再加上家庭视频、可穿戴设备、面部识别及沟通数据的广泛使用，隐私、知情同意、数据安全、透明性与问责机制均成为不可回避的问题。总体来看，本文认为AI确实为ASD的理解、检测、教育支持和沟通促进提供了广阔前景，但未来进展必须建立在更高水平的外部验证、更加公平和具代表性的数据集、跨学科合作以及透明伦理框架之上，方能实现真正负责任且包容性的应用。