共计 1022 个字符，预计需要花费 3 分钟才能阅读完成。
在医疗诊断领域，人工智能技术正发挥着越来越重要的作用。最新研究表明，深度学习模型通过分析大脑活动数据，为自闭症评估提供了更准确、可解释的解决方案。这项突破性研究发表于《柳叶刀》旗下期刊《eClinicalMedicine》，标志着 AI 在医疗领域的又一重大进展。
该深度学习模型通过分析静息态功能磁共振成像（fMRI）数据来工作。fMRI 是一种非侵入性方法，通过监测血氧变化来间接反映大脑活动。在测试中，该模型在区分自闭症谱系障碍（ASD）和神经典型个体方面达到了惊人的 98% 交叉验证准确率。同时，模型生成了清晰、可解释的大脑区域图，直观展示了对其决策影响最大的关键区域。
过去二十年中，ASD 诊断数量显著增加，这主要归因于公众认知的提高、筛查范围的扩大以及诊断标准的更新。早期识别和基于证据的支持可以显著改善患者的发育和适应性结果，并可能提高其生活质量。然而，目前的诊断主要依赖于面对面和行为评估，导致确诊时间可能长达数月甚至数年，这凸显了改进评估途径的迫切需求。
这项研究由普利茅斯大学工程、计算与数学学院的研究人员主导，得到了心理学院和康沃尔智力障碍公平研究（CIDER）小组的支持。研究团队使用了自闭症脑成像数据交换（ABIDE）队列的数据，包括来自 17 个地点的 884 名 7 至 64 岁的参与者。他们比较了不同的可解释性方法，发现基于梯度的技术表现最佳，生成的图谱在各种预处理方法中基本一致。
Amir Aly 博士，普利茅斯大学人工智能与机器人学讲师，也是该研究的学术负责人，指出：“英国有超过 70 万自闭症患者，还有许多人在等待评估。由于诊断仍然依赖于专家的面对面行为评估，因此从评估到确诊的过程可能需要数月，在某些地区甚至需要数年。”
研究团队的目标是开发一个强大且可推广的人工智能驱动模型，以支持全球范围内的自闭症评估临床医生。这补充了 Aly 博士更广泛的研究计划，包括使用机器人支持自闭症患者，以及开发用于分析医疗行业数据的人工智能方法。
Rohit Shankar MBE 教授，普利茅斯大学神经精神病学教授，也是 CIDER 小组的主任，他强调：“他们已经证明，人工智能有潜力作为早期自闭症检测和提高诊断准确性的催化剂。然而，这些是早期原型，需要进一步验证和研究。”
这项研究展示了人工智能在医疗领域的巨大潜力，特别是在支持临床决策和提高诊断效率方面。随着进一步的发展，这种技术有望为自闭症患者和临床医生提供更及时、更准确的评估工具，显著改善诊断流程和治疗效果。
