人工智能筛查眼部照片诊断儿童自闭症的准确率高达100%

研究者运用人工智能深度学习技术，对儿童的视网膜照片进行了精确分析。令人惊讶的是，人工智能在诊断自闭症方面的准确率达到了惊人的100%。这一发现为人工智能在早期诊断自闭症领域的应用提供了强有力的支持，特别是在儿童精神科专科医生资源有限的情况下。

视网膜与视神经在视盘处交汇，视盘作为观察大脑的窗口，其重要性不言而喻。英国的研究者开创了一种非侵入性的方法，通过眼部安全激光照射视网膜，实现对脑震荡的迅速诊断。在此基础上，韩国延世大学医学院的研究团队更进一步，他们利用人工智能算法分析视网膜图像，成功研发出诊断儿童自闭症谱系障碍（ASD）及其症状严重程度的新方法。

为了验证这一方法的准确性，研究团队招募了958名平均年龄为7.8岁的儿童参与者。其中一半被诊断为自闭症，另一半则是年龄和性别相匹配的健康对照组。研究团队使用卷积神经网络（一种深度学习算法）对85%的视网膜图像和症状严重程度测试得分进行训练，构建筛查ASD和评估症状严重程度的模型。剩下的15%图像用于测试。

在测试阶段，人工智能在筛查ASD方面的表现令人瞩目，接收者操作特征曲线下的平均面积（AUROC）达到了1.00。即使去除图像中大部分非关键区域，AUROC也几乎没有下降。这表明视网膜图像在诊断自闭症方面具有极高的潜力。

研究团队指出，ASD的视网膜变化可能具有潜在的生物标志物价值。有趣的是，即使只使用包含视盘的图像的10%，模型的平均AUROC也能保持1.00，这表明视盘区域在区分ASD和正常发育儿童方面至关重要。该研究还发现，视网膜照片可以提供关于症状严重程度的额外信息。

尽管研究参与者中年龄最小的只有四岁，但根据研究结果，基于人工智能的模型可以从这个年龄段开始作为客观筛查工具使用。由于新生儿视网膜在四岁前仍在生长，因此还需要进一步研究来确定该工具是否适用于更年幼的参与者。

该研究团队的成果发表在《美国医学会杂志网络版》上，为开发ASD的客观筛查工具迈出了重要的一步。尽管还需要未来的研究来验证其可推广性，但这一研究为解决资源有限的儿童精神病学评估问题带来了希望。