侯婷婷 陈 潇 孔德彭 邵秀筠 林丰勋 李开云

    机器学习在自闭症儿童早期识别和诊断领域的应用*

    侯婷婷1陈 潇2孔德彭2邵秀筠3林丰勋1李开云1

    (1济南大学教育与心理科学学院, 济南 250022) (2浙江工业大学教育科学与技术学院, 杭州 310023) (3青岛市晨星实验学校, 青岛 266000)

    早发现、早诊断、早干预是开展自闭症儿童教育康复工作的共识, 但传统识别和诊断方法局限及专业人员缺乏常导致自闭症儿童错失最佳干预期。为改善现状, 近年来机器学习凭借其客观准确、简便灵活等方面的优势, 逐渐被应用到自闭症的早期预测、筛查、诊断和评估过程管理中, 积累了较为丰富的成果。但是机器学习也在研究对象选取、分类数据采集和理论模型应用等方面存在局限性。未来研究应推动构建孕产期和新生儿病理生理信息追踪数据库和标准化模型分类指标体系, 同时继续优化算法, 加快智能化自闭症识别和诊断理论成果向实践转化。

    机器学习, 自闭症, 早期识别与诊断, 系统综述

    1 引言

    随着智能时代的到来, 人工智能(Artificial Intelligence, AI)与特殊教育的深度融合已经成为教育发展的重要趋势(郭利明等, 2019)。众多研究者致力于将人工智能技术与不同类型、不同障碍程度特殊教育需要儿童的需求相匹配, 为他们提供更具个性化、精准化的教育康复与医疗诊治服务, 进一步改善其生活和学习质量。随着技术的不断成熟, 自闭症谱系障碍(Autism Spectrum Disorders, ASD)这一数量庞大、病因复杂群体受到了智能教育界的广泛关注, 围绕为自闭症实施行之有效的干预这一焦点问题展开了一系列的探讨, 其中科学准确的早期识别和诊断作为教育干预开展的前提, 不可避免地成为了研究与实践中必须面对和亟待解决的关键问题。

    根据美国疾病预防和控制中心数据显示, 2021年自闭症谱系障碍的发病率为1/44, 与2000～ 2002年的1/150相比, 患病率增加了近240.9% (Maenner et al., 2021)。面对不断攀升的患病率和尚不明确的发病机制, 自闭症已演变成为全球性重大公共卫生问题。积极开展早期预防、识别和干预是应对这一挑战的重要举措。然而目前很少有专门面向ASD群体的大范围患病风险筛查, ASD诊断也主要依靠外在的行为观察与评估人员的主观经验判断。常规诊断流程是评估人员依据标准化诊断工具(如Diagnostic and Statistical Manual of Mental Disorders - 4/5th ed., DSM-IV/DSM-V; International Classification of Diseases, ICD)对儿童进行评定, 评定方式包括心理和教育测量、医学检查、家长或监护人访谈、日常观察等, 操作费时, 对于评估人员具有极高的专业理论知识和临床经验要求 ......