美国北卡大学利用深度学习预测幼儿自闭症

美国《IEEE科技纵览》杂志发表了Megan Scudellari的文章，称美国北卡罗莱纳大学正在利用深度学习技术预测幼儿自闭症。

22年前，研究人员首次报道了患有自闭症谱系障碍的青少年脑容量有所增加。在随后的这些年里，越来越小的儿童成为了研究对象，结果表明，大脑的这种“过度生长”发生在童年。

现在，北卡大学教堂山分校（University of North Carolina, Chapel Hill）的研究团队已经在6个月的婴儿大脑中检测到与自闭症相关的脑增长变化。这引起了我们的兴趣，因为深度学习算法能够利用该数据来预测一名具有自闭症高风险的儿童在24个月内是否会被诊断患有该病。

该算法正确地预测了高危儿童的最终诊断，准确率为81％，灵敏度为88％。与行为问卷相比，这种方式的结果非常不错。根据行为问卷得出的早期（约12个月大）自闭症诊断只有50％的准确率。北卡大学的一名心理学家、脑发育研究员说，“这种方法比现有的各种措施都更胜一筹，而且能够在年龄更小的时候实施。”

该研究属于婴儿脑成像研究（Infant Brain Imaging Study），是美国国家卫生研究院（National Institues of Health）资助的一项关于自闭症患者早期脑发育的研究。该研究团队招募了106名有已被诊断患有自闭症的哥哥或姐姐的婴儿和42名没有自闭症家族病史的婴儿。研究人员在每个婴儿6个月、12个月和24个月的时候扫描他们的大脑。要对婴儿进行这种操作可不是件轻松的事情。

研究人员发现，6个月到12个月大的婴儿大脑总体生长没有变化。但对于那些后来被诊断患有自闭症的高风险儿童，大脑表面积显著增加。这种大脑表面积的增加与婴儿在12个月到24个月之间的脑体积增长有关。换言之，对自闭症患者来说，大脑的发育首先表现为12个月大时的表面积增长，然后才会有24个月大时表现的整体体积增长。

该团队还对24个月大的儿童进行了行为评估，此时他们已足够大了，开始表现出自闭症的标志性行为，例如缺乏社会兴趣、语言延迟和重复性的身体动作。研究人员指出，大脑过度生长越严重，儿童的自闭症症状就可能越严重。

虽然新的发现证实了与自闭症相关的大脑变化很早就出现，但研究人员并没有就此止步。通过与北卡大学和美国查尔斯顿学院（College of Charleston）的计算机科学家合作，研究团队开发了一个算法，用脑扫描结果对其进行训练，测试其是否可以根据这些早期的大脑变化来预测哪些孩子以后会被诊断为自闭症。

算法运行得不错。通过使用三个变量——大脑表面积、大脑体积和性别（男孩比女孩更可能患自闭症），该算法从10个自闭症儿童中找出了8个。“这很不错，比一些行为工具好很多。”研究人员说。

据团队成员、北卡大学神经图像分析和研究实验室（Neuro Image Analysis and Research Lab）副主任介绍，为了训练算法，团队最开始用一半数据进行训练，将另一半用于测试，以得到“最纯净的可能分析”。但根据审稿人的要求，他们随后进行了更标准的10倍分析，数据被分为10等分，然后进行10次机器学习。每次学习将9份数据用于训练，第10份用于测试。结果，最终程序聚集了所有10轮的“纯测试”结果，并被用于预测中。

研究人员表示：令人高兴的是，最初的50/50方式与最后的10倍方式这两种类型的分析都给出了几乎相同的结果。该团队对预测准确度表示满意。“就算有更多的受试者，我们估计也会有大致相同的预测准确度。”论文的联合作者、查尔斯顿学院助理教授在给美国电气和电子工程师协会（IEEE）的电子邮件中说，“总的来说，在过去几年中，用于图像数据的深度学习方法已被证明是非常准确的。”

但是，和最近其他一些关于人工智能的表现超越医疗专家的报道一样，这些结果需要能够被复制，然后我们才能确认可利用计算机检测自闭症的生物标志。这会需要一些时间，因为复制测试所需的幼儿大脑扫描又困难又昂贵，研究人员强调。

这样昂贵的诊断测试不一定适合所有的孩子。她补充说，“我可不敢想这种测试在临床上对每个新生儿都有用。”但如果通过基因测试或其他标志发现孩子具有自闭症风险，大脑扫描将有助于发现让他们具有更大风险的大脑变化，她指出。