斯坦福大学的研究人员开发了一种算法，可以通过大脑扫描来识别一个人是否患有自闭症。这种由人工智能(AI)最新进展驱动的新算法也成功地预测了单个患者自闭症症状的严重程度。经过进一步的打磨，该算法可能会导致更早的诊断，更有针对性的治疗，并扩大对自闭症大脑起源的理解。
该算法通过功能磁共振成像(fMRI)扫描收集数据。这些扫描可以捕捉整个大脑的神经活动模式。通过绘制大脑许多区域随时间变化的活动，算法生成神经活动“指纹”。尽管大脑指纹就像真实的指纹一样，对每个人来说都是独一无二的，但它们仍然具有相似的特征，可以对它们进行分类和分类。
正如发表在《生物精神病学》(Biological Psychiatry)杂志上的一项新研究所述，该算法评估了大约1100名患者的脑部扫描。该算法以82%的准确率选出了一组被临床医生诊断为自闭症的患者。
“虽然自闭症是最常见的神经发育障碍之一，但关于它还有很多我们还不了解的地方，”首席作者Kaustubh Supekar说，他是斯坦福大学精神病学和行为科学的临床助理教授，也是斯坦福大学HAI的附属教师。“在这项研究中，我们已经表明，我们的人工智能驱动的大脑‘指纹’模型可能成为推进诊断和治疗的一个强大的新工具。”
与其他疾病不同的是，自闭症缺乏客观的生物标记物——能够揭示某种疾病的存在和严重程度的测量指标——这意味着对这种疾病没有简单的检测方法。相反，诊断是基于观察患者的行为，这些行为自然是高度可变的，因此诊断是一个挑战。(自闭症的常见症状包括日常社会交往困难、沟通和学习障碍以及重复的言语和动作。)
“我们需要为自闭症创造客观的生物标记，”Supekar说，“而大脑指纹让我们离目标更近了一步。”
大数据与XAI的结合
长期以来，科学家们一直通过功能磁共振成像扫描来寻找生物标志物。然而，迄今为止，针对小人群的研究报告了相互矛盾的结果，这源于患者大脑的自然变异，而fMRI机器和测试方法的差异又进一步混淆了这一结果。
和许多科学领域一样，自闭症研究也采用了大数据方法，Supekar说，以前无法获得的见解是通过分析大量、统计上强有力的样本得出的。Supekar的新研究就是一个很好的例子，它将世界各地医疗中心的大脑扫描数据汇集到一个庞大的、人口和地理上不同的数据集中。
下一步是有效地解析和处理数据的复杂性和可变性。苏佩卡尔和他的同事认为，由科技公司开发的图像识别算法是一个很好的起点。这些算法在处理它们评估的图像中显著程度的变化方面变得越来越复杂。
例如，Supekar说，想象一个用来识别在线图像中的猫和狗的算法。该算法必须能应付从不同角度和距离拍摄的动物，同时还能灵活地解释不同品种的颜色和特征的范围。
“图像识别人工智能要想取得成功，不管是我5岁的孩子拍的照片，还是某个获得摄影奖的人拍的照片，都不重要——算法必须在这两种情况下都能工作，”Supekar说。“你在猫和狗的图片中得到的是同样的异质性，你在大脑扫描中也得到了同样的异质性。”
在推导图像识别算法的过程中，苏佩卡尔和他的同事们试图让人工智能能够被人类研究人员解释或理解。近年来，研究人员专注于打造可解释的人工智能(XAI)，这与传统的人工智能系统形成了鲜明对比，后者可能会产生高质量的结果，但不是显而易见的方式。
“一个挑战是，人工智能算法可能是一个‘黑匣子’，我们无法解释算法的准确性来自哪里，”Supekar说。
再次以猫和狗的例子模型为例，研究人员想知道算法是否在挑选动物的面部特征或颈部大小。对于大脑指纹算法，Supekar和他的同事建立了一个简单的数学模型来评估大脑区域的相互作用和相互连接。通过这种方式，XAI算法在数据集的可分组部分中显示出显著差异的三个大脑区域上进行测试。
这三个大脑区域之前被认为与自闭症病理有关，这为XAI算法的发现增加了可信度。这些区域是后扣带皮层和楔前叶，它们构成默认模式网络(DMN)的一部分，在清醒休息时尤为活跃;背外侧和腹外侧前额叶皮层，参与认知控制;颞上沟，负责处理人类的声音。特别是，DMN的中断在研究人群中是自闭症症状严重程度的强有力预测因子。
早越好
虽然XAI算法在开发的早期阶段表现令人钦佩，但Supekar和他的同事还需要进一步提高其准确性，以将大脑指纹技术提升到一个明确的生物标记水平。研究人员打算探索该算法在兄弟姐妹研究中的有效性，其中一个兄弟姐妹患有自闭症，而另一个没有，以磨练检测可能非常相似的大脑之间细微但关键的差异的能力。
Supekar设想，大脑指纹可以用来评估非常年幼的儿童的大脑，最早可能是6个月或1岁的儿童，这些儿童患自闭症的风险很高。早期诊断对于取得更好的结果至关重要，在患者尚在蹒跚学步时引入治疗比在儿童后期引入治疗更有效
“我们希望在我们的研究中展示的方法可以在干预措施最有效的时候诊断自闭症，”Supekar说。
