共计 1001 个字符，预计需要花费 3 分钟才能阅读完成。
在自闭症诊断领域，一项突破性研究为临床评估带来了新的希望。研究人员开发并测试了一种深度学习模型，该模型能够通过分析静息态功能磁共振成像（fMRI）数据，为自闭症谱系障碍（ASD）的诊断提供高达 98% 的交叉验证准确率。这项研究发表在《eClinicalMedicine》期刊上，标志着人工智能在自闭症诊断领域的重大进展。
该模型不仅能够准确区分自闭症谱系障碍与神经典型个体，还能生成清晰、可解释的大脑区域地图，直观展示影响其决策的关键脑区。这一特性使得临床医生能够更好地理解模型的判断依据，从而为诊断提供更有力的支持。
自闭症谱系障碍的诊断在过去二十年中显著增加，这主要归因于公众意识的提升、筛查范围的扩大以及诊断标准的更新。早期识别和及时干预对改善患者的发育和适应能力至关重要，但当前的诊断流程仍面临诸多挑战。传统的面对面行为评估不仅耗时，在某些地区甚至需要等待数月乃至数年才能获得确诊。
研究团队负责人、普利茅斯大学人工智能与机器人学讲师 Amir Aly 博士表示：’ 英国有超过 70 万自闭症患者，还有许多人正在等待评估。我们的研究展示了人工智能如何在不取代临床医生的前提下，通过提供准确的结果和清晰、可解释的见解来支持诊断流程。’
该研究基于自闭症脑成像数据交换（ABIDE）队列，分析了来自 17 个站点的 884 名 7 至 64 岁参与者的预处理静息态 fMRI 数据。研究团队采用了基于梯度的技术，这种方法在不同预处理方法中表现出一致性，能够可靠地识别对模型预测最具影响力的大脑区域。
目前，这项研究正在 Kush Gupta 博士的带领下继续推进，研究团队计划整合多模态数据和机器学习模型，旨在开发一个稳健且可推广的 AI 驱动模型，为全球范围内的自闭症评估提供支持。这一研究方向与 Amir Aly 博士的长期研究计划相呼应，包括使用机器人支持自闭症患者，以及开发用于健康数据分析的人工智能方法。
作为本研究的资深作者，普利茅斯大学神经精神病学教授 Rohit Shankar 指出：’ 我们已经证明人工智能有潜力成为早期自闭症检测和提高诊断准确性的催化剂。然而，正如 Robert Frost 所言，’ 我们还有很长的路要走 ’。这些早期原型还需要进一步的验证和研究。’
这项研究不仅为自闭症诊断提供了新的技术路径，也展示了人工智能在医疗领域的巨大潜力。随着研究的深入，这种基于 AI 的评估工具有望为自闭症患者带来更及时、更准确的诊断，从而改善他们的生活质量。
