孤独症谱系理论：机器学习在孤独症筛查与诊断中的应用研究进展*

来 源：《中国特殊教育》2022年第9期(总第267期)

作 者：李西1，2＊＊田真玲3姜孟4***

(1．四川外国语大学英语学院/语言脑科学研究中心，重庆，400031;

2．成都师范学院外国语学院，成都，611130;

3．四川外国语大学医院，重庆，400031;

4．四川外国语大学语言脑科学研究中心/语言智能学院，重庆，400031)

摘要孤独症是儿童发育早期出现的神经发育性疾病，越早发现，干预治疗的效果越好。目前临床上常用的量表诊断法，具有一定的主观性和局限性。机器学习(MachineLearning，ML)通过客观分析行为、基因、脑电、眼动、大脑磁共振成像等大数据，对孤独症进行筛查和诊断，较传统方法更为精准。本文对机器学习在孤独症中的应用进行综述，以期为我国孤独症儿童的筛查与诊断提供借鉴和启发。

关键词孤独症筛查与诊断人工智能机器学习

分类号R749．94

1引言

自1943年最早报告有关孤独症的详细研究［1］至今，孤独症研究已有七十余年历史。孤独症(也称自闭症)有着非常复杂的致病原因，遗传和非遗传层面的相关研究很多，可以说是世界性的医学难题之一。根据美国疾病控制与预防中心(CDC)网站的数据，孤独症的患病率高达2．3%，在监测到的8岁儿童中，每44名中就有一名被确诊为孤独症谱系障碍(Autismspectrumdisorder，ASD)，换句话说，患病率高达1/44。联合国也把每年的4月2日专门设立为“世界孤独症关注日”［2］。孤独症谱系障碍是一种广泛性发展障碍和复杂的异质性疾病。孤独症的症状表现为社会沟通障碍和重复的感觉运动行为，这些行为与基因有关，也与患者身体、心理、神经发育和功能等方面的共存疾病相关［3］。早期较准确的筛查与诊断对提高患者和患者家庭的生活质量、帮助患者更好地适应社会、避免症状恶化尤为重要。近几十年来，医学、心理学和应用行为科学等领域的学者们开发了大量与孤独症相关的筛查量表。目前，对孤独症筛查的常用量表有两类。第一类是家庭用的量表，家长可以在家里填写问卷，同时可以根据儿童的年龄，选择相应的量表。例如:修订版幼儿孤独症筛查量表(M－CHAT)、儿童孤独症行为量表(ABC)等量表。家庭使用量表的缺点在于家长没有相关的专业知识，对量表不熟悉，可能导致有偏见的评估。第二类是专业人士使用的量表，需要在医院或机构进行筛查，如孤独症诊断访谈问卷修订版(ADI-R)、孤独症诊断观察量表(ADOS)等。ADI－R和ADOS的检测人员需要考取相关资格证后，才能进行评估［4］。

筛查是用以区分可疑患者与可能无病的人，诊断是用来区别患者与可疑有病但实际无病的人。量表大多作为筛查或评估的工具。量表在筛查过程中收集的信息，可供医疗专业人员在诊断过程中使用。但孤独症的量表筛查方式易受测试者和被测试者的影响，评估依赖医生的专业知识和主观判断，敏感度不高(即当父母或专业人士担心孩子可能患有孤独症时，这些量表才有效)。除此之外，该方式还存在完整的筛查过程耗时较长、对儿科医生开展筛查知识培训较难、基于纸质筛查的转诊效率低以及医患沟通平台缺失等问题［5］。鉴于此，我们迫切需要更加科学有效的方法来筛查和诊断孤独症儿童。

机器学习(MachineLearning，ML)作为医学人工智能中医学知识获取的一部分(见图1)［6］，基于对行为、基因、脑电、眼动、大脑磁共振成像等大数据的收集、积累和分析处理，辅助筛查和诊断出孤独症儿童。本文系统梳理了机器学习在孤独症中的应用研究，以期为机器学习在我国孤独症筛查与诊断中的应用提供新思路。

2机器学习方法对孤独症的筛查与诊断

2．1机器学习的方法与技术

随着5G、大数据、物联网时代的到来，计算机辅助诊断系统的设计一直是人工智能研究的重点。机器学习作为一种多学科领域交叉的方法，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，是人工智能的核心，是使计算机具有智能的根本途径。机器学习旨在对复杂多样的数据进行深层次的分析，更高效地利用数据信息，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，并重新组织已有的知识结构使之不断改善自身的性能。机器学习试图通过对人类学习能力进行模拟，使机器直接对数据及信息进行分析和处理而产生智能。

机器学习作为智能数据分析技术的一种重要手段，主要应用在医疗诊断、医学图像分析、模式识别、计算机视觉、光学文字识别、自然语言处理、语音识别、手写识别、生物特征识别、文件分类、搜索引擎、生物信息学等领域。在生物信息学中，机器学习作为一种强大的数据集成和分析技术，已成功应用于从各种类型的组学中挖掘知识［7－8］。这些分析有助于生物标志物的识别和更好地理解各种遗传性疾病的潜在生物学过程。由于相关研究产生了大量数据集，因此需要有效地合并来自多个来源的信息，以提高其统计力和可解释性。与传统的单变量组水平研究相比，机器学习可以利用数据驱动的方式，提取更多信息特征，并有助于探索更复杂的异常成像模式，来进行个体水平的诊断［9］。

机器学习结合了计算机科学和数学方法，为孤独症的筛查与诊断提供了有效、自动的模型。机器学习可以分为监督学习、半监督学习、无监督学习、强化学习、主动学习，分别包括高斯混合模型、层次聚类、主成分分析、自编码网络、生成式对抗网络、决策树、支持向量机和卷积神经网络等［10］。机器学习的四大功能分别是分类(classification)、回归(regression)、聚类(clustering)、降维(dimensionalityreduction)。分类是有监督学习的两大应用之一，能产生离散的结果;回归是有监督学习的另一种应用，能产生连续的结果;聚类是无监督学习的结果，聚类的结果将产生一组集合，集合中的对象与同集合中的对象彼此相似，与其他集合中的对象相异;降维是机器学习中一种重要的特征处理手段，能减少计算过程中考虑到的随机变量(即特征)的个数，用于消除噪声、对抗数据稀疏问题，并在尽可能维持原始数据的内在结构的前提下，得到一组描述原数据的、低维度的主要特征。机器学习为孤独症诊断提供了构建自动分类器的先进技术，用户和医生可以利用这一技术提高诊断的敏感性、特异性、准确性和效率。比如，杜克大学孤独症与大脑开发研究中心利用机器学习算法，创建了一个更为迅速、低廉、可靠的孤独症筛查与诊断的应用程序，以便帮助大众家庭尽早检测到孤独症［11］。

机器学习需要大量数据来训练模型，可基于不同类型的数据对孤独症进行筛查与诊断，如行为数据(重复的身体摇摆、拍手、张嘴和复杂的手指动作)、基因数据、脑电数据(EGG)、眼动跟踪(Eye－Tracking)数据、大脑磁共振成像(MRI)数据、指纹数据、视网膜数据和个人特征数据等。机器学习建模的流程是首先对原数据进行清洗、筛选、特征标记、降维等;然后使用处理后的数据来训练指定模型，并根据诊断情况迭代训练模型;最后将训练好的模型应用在真实场景中。机器学习用于孤独症的筛查与诊断，能提高孤独症筛查与诊断的准确率，缩短筛查与诊断时间。

2．2基于行为数据的机器学习对孤独症的筛查与诊断

孤独症是一种儿童早期发病、异质性高的神经性发育疾病，其发病机制尚不明确，目前尚无可用于客观诊断孤独症的生物标志物，其诊断标准由一系列行为症状组成。有研究利用机器学习评估儿童的头、躯干和脚运动的数据，诊断儿童是否患有孤独症［12］。也有研究使用头部运动特征，识别孤独症谱系障碍个体。疑似孤独症患者和正常发育的儿童被要求回答10个“是或否”问题，并被鼓励在回答时点头或摇头。研究者计算俯仰(头部点头方向)、偏航(头部晃动方向)和侧倾(头部横向倾斜)方向上的头部旋转范围和每分钟旋转量，并将其作为输入特征进一步输入机器学习分类器，最后使用具有两个特征的决策树分类器，实现了92．11%的最大分类准确率［13］。

压力中心(CenterofPressure，COP)是评估姿势控制(平衡能力)的黄金指标。研究者使用测力板收集COP数据(包括线性位移、总距离、摇摆面积和复杂性)，利用COP数据训练六个有监督机器学习分类器，利用分类器对孤独症儿童的姿势控制进行分类。所有机器学习分类器均能基于COP特征，识别孤独症儿童的姿势控制模式，准确率高达80%［14］。

还有研究利用机器学习分析多模态(包括三种刺激条件:视觉、视觉听觉和视觉听觉嗅觉)的数据、身体运动参数［15］、上肢和下肢的行为数据［16］，来区分孤独症儿童和正常发育儿童。有研究人员利用基于虚拟现实技术的孤独症谱系障碍筛查系统，跟踪和记录被试的社会互动和日常行为反应，再使用机器学习分析这些行为数据，进而对孤独症儿童进行筛查与诊断［17］。有研究将机器学习的特征选择和最先进的分类方法应用于来自家庭视频的行为数据，使用机器学习的支持向量机和反向特征选择诊断孤独症，准确率达到94．05%［18］。另有研究者利用无监督机器学习的高斯混合模型和层次聚类诊断孤独症儿童的行为表型［19］。

2．3基于基因数据的机器学习对孤独症的筛查与诊断

目前对孤独症的诊断大多基于行为，但行为不是病因或发病机制，所以一旦确诊为孤独症，基因测试被广泛用于确定特定的遗传原因和潜在风险的指标。基因表达是物种遗传信息的重要来源，基因表达模式揭示了与多种疾病相关的基因之间的重要关系。基因组是一个极其复杂的机器，有大量的部件共同工作，来指导和执行蛋白质和其他分子的制造。

据估计，当功能受到干扰时，1000个或更多的基因可能导致孤独症风险，目前大约100个基因有足够的证据被认为是“孤独症风险基因”［20］。有研究者通过机器学习，对基因表达综合库中的孤独症微阵列基因表达数据集进行测试，识别候选基因生物标志物，并对所提出模型的系统性能进行了评估，准确率达97.62%［21］。还有研究利用基因水平约束度量的机器学习识别了大多数孤独症脆弱性基因，即与神经元生长相关的基因，如CullinAssociateandNeddlationdissocia-ted1(CAND1)、MYCBindingProtein2(MYCBP2)和DedicatorofCytokinesis3［22］。有研究使用机器学习比较精神分裂症(Schizophrenia，SCZ)和孤独症的基因组结构，使用正则化梯度增强机器分析SCZ和孤独症个体的全外显子组测序(WholeExomeSequencing，WES)数据，以识别与孤独症相关的基因［23］。

机器学习还用于描述孤独症儿童临床特征和被破坏的生物过程之间的关联。有研究团队通过对大脑发育基因表达数据进行训练，实现孤独症风险基因的二元分类。该模型由两个主要部分组成:基于Haar小波变换的特征提取、离散化方法和基于贝叶斯网络学习算法的分类。研究者将所提出的模型与各种独立的分类器算法以及迄今为止针对lncRNA基因数据的方法进行比较，证实了模型的有效性［24］。有研究者建立脑组织特异性功能关系网络，应用机器学习预测与孤独症相关基因，利用来自基因表达综合(GeneExpressionOmnibus，GEO)的微阵列数据分析，发现孤独症儿童的大脑体积增加和异常基因组激活［25］。

机器学习用于识别与孤独症相关的基因，有助于洞察基因组的功能，建立更精确的基因型－表型相关性，从而对孤独症进行筛查与诊断。

2．4基于脑电和眼动数据的机器学习对孤独症的筛查与诊断

脑电图(Electroencephalograph，EEG)是从头皮上将脑部的自发性生物电位加以放大记录而获得的图形，反映了大脑神经元的活动或电干扰;眼动跟踪(Eye－Tracking)测量眼动运行的过程。这些信号常用于脑部疾病的诊断。

研究人员利用机器学习进行线性和非线性特征选择，来描述和分析脑电数据，用于早期筛查孤独症儿童。特征选择的一些基本标准是互信息(MutualInfor-mation，MI)、遗传算法(GeneticAlgorithm，GA)、支持向量机(SupportVectorMachine，SVM)和k－最近邻(k－NearestNeighbor，KNN)［26］。另有研究者采用了机器学习的四种分类技术，即线性判别分析、支持向量机、k－最近邻和人工神经网络来分析EEG数据，从而诊断孤独症［27］。也有研究从孤独症儿童的EEG(在静息/实验任务状态下记录)数据，推导出加权可见性图网络［28］，使用基于复杂图形的测量方法对神经相关性进行量化。为了用一组最佳的神经相关性对孤独症进行分类，研究者构建了不同的最新分类模型，结果表明，两个指标的平均加权度和互信息的组合效应具有92．34%的检测准确率。

患有孤独症的儿童很难保持注意力，眼动跟踪系统能够在屏幕上记录精确的眼睛焦点。研究者为了诊断孤独症儿童，使用从脑电信号和眼动跟踪中提取的特征作为机器学习支持向量机的数据输入，使用功率谱分析进行脑电图分析，并选择感兴趣区域进行眼动跟踪数据的面部注视分析，将最小冗余最大相关特征选择方法与支持向量机分类器相结合，用于孤独症儿童与正常发育儿童的分类［29］。还有研究通过眼动追踪捕捉孤独症儿童和健康人群的视觉加工差异，使用记录的眼动跟踪数据来训练机器学习分类器，从而诊断孤独症［30］。有研究将运动模拟任务的运动和眼动跟踪数据与监督机器学习相结合，使用嵌套验证来开发模型，并使用独立的数据样本进一步测试模型，用于诊断孤独症［31］。有研究利用机器学习和眼动追踪技术对儿童进行早期孤独症诊断，提出一种基于相对瞳孔响应的眼动数据预处理和瞳孔响应特征提取方法，并使用机器学习的朴素贝叶斯算法构建了孤独症分类模型［32］。

鉴于目前没有关于孤独症的生物标记物，我们不能通过验血或扫描大脑来诊断是否患病。但脑电图能发现孤独症儿童脑放电异常，眼动追踪研究能帮助我们理解孤独症儿童出现社交困难的原因。因此，脑电数据和眼动数据为机器学习提供了较客观的临床数据，有助于筛查与诊断孤独症。

2．5基于大脑磁共振成像数据的机器学习对孤独症的筛查与诊断

在神经生物学中，孤独症不再被视为特定大脑区域或系统的局灶性损伤，而是由发育早期脑容量过度增长引起的，因此可以通过神经成像上脑容量的差异来证明［33］。相对于正常发育的儿童，孤独症患者在生命早期大脑发育过快，这导致了大脑连接性的改变。大脑磁共振成像技术被广泛应用于医学领域的各种脑疾病的检测，已经成为描述健康大脑和疾病大脑的有力工具，使测量与孤独症相关的大脑结构和大脑功能的变化成为可能。从磁共振成像数据中识别孤独症敏感和特异的生物标志物有助于诊断，此外，如果生物标志物是定量的，还可以被用作行为或药理学干预效果的指标。磁共振成像数据的计算建模，揭示了额叶和顶叶区域在该网络中的不同作用，尤其是在计划生成、计划执行、注意力和视觉空间处理等方面。

许多研究致力于利用机器学习，开发基于神经成像的孤独症诊断工具。非侵入性脑成像技术，如磁共振成像(MRI)，为大脑提供了无创、客观的测量。MRI技术为无创客观测量大脑铺平了道路。MRI可分为结构磁共振成像(sMRI)、扩散磁共振成像(dMRI)和功能磁共振成像(fMRI)。sMRI可以提供大脑的静态解剖信息，包括T1加权成像和T2加权成像，具有较高的空间分辨率。dMRI可以通过各向异性分数(FractionalAnisotropy，FA)、平均扩散率(MeanDiffusivity，MD)等特征，定位细微的白质纤维束异常。fMRI可分为静息状态功能磁共振成像(rsfMRI)和任务态功能磁共振成像(esfMRI)［34］。这些非侵入性成像技术能促进孤独症的神经基础的研究，对于开发用于临床诊断的鉴别性神经成像生物标志物至关重要。

研究人员通常在对fMRI数据进行预处理后，再提取和选择其特征，用于在机器学习任务中进行有效的训练，以便更好地检测孤独症特异性神经解剖学差异。研究者利用机器学习研究了1000多名疑似孤独症儿童的磁共振成像数据，并将这些图像与正常儿童的大脑结果进行比较。通过使用条件变分自编码器(CVAEs)，识别孤独症与对照组的神经解剖结构，来确定“孤独症特异性”的神经解剖学差异［35］。研究者基于机器学习和结构磁共振成像(sMRI)的儿童青少年精神障碍的辅助诊断方法，综述总结了注意缺陷多动障碍与孤独症谱系障碍方面的诊断研究进展，展望了未来发展方向［36］。有研究分析了大脑静息态下的功能磁共振数据，然后构建了诊断孤独症的分类器，发现样本在性别和症状严重程度方面的同质性越大，分类器的性能越好［37］。有研究者通过静息状态功能磁共振成像(rsfMRI)扫描受试者的大脑，利用机器学习的支持向量机分析数据，从而筛查与诊断受试者是否患有孤独症［38］。还有研究利用rsfMRI技术联合机器学习，对孤独症患者进行分类，试图为早期识别孤独症提供参考依据，为rsfMRI检测孤独症提供了新指标和新方法［39］。

以往对孤独症儿童的大脑磁共振成像研究已经得出了许多结论，但对孤独症儿童病变的大脑区域有不同的看法。一种改进的框架即遗传进化随机支持向量机聚类，能更深入地研究孤独症［40］。支持向量机是孤独症筛查与诊断中最常用的分类器。大量干净的、详细的、经过精确标记的数据，有利于机器学习。所以特征降维是神经影像学研究的一个基本和关键步骤，其中特征维数大大超过样本数量，这在医学影像分析中非常常见［41］。适当的特征降维不仅可以减少特征冗余和噪声，而且能促进对疾病神经基础的理解，因为可以保留大多数组鉴别特征，提高模型的准确性和可推广性［42］。这种技术首先通过随机选取样本和特征，来建立多个支持向量机的初始聚类，然后选择这些支持向量机对遗传进化目标进行重组和突变，直到遗传进化数量达到阈值或分类精度稳定。根据分类结果，找出异常脑区。以上研究，在一定程度上揭示了孤独症的发病机制，有利于孤独症儿童的筛查与诊断。

基于影像学的精神疾病生物标志物的发现，对于疾病的筛查与诊断至关重要。但医学图像可能非常复杂，分析和解释这些图像也有困难。机器学习可以通过对图像进行分类和识别关键特征来降低医学诊断的难度。神经成像客观生物标志物与机器学习相结合，可以帮助孤独症诊断决策，并提高其可靠性。

2．6基于其他数据的机器学习对孤独症的筛查与诊断

还有研究基于其他类型的数据，如指纹、视网膜、光学脑成像、皮肤电、个人特征数据等，对孤独症进行诊断。

皮纹学与某些疾病，尤其是遗传性疾病之间存在显著关联。有研究基于孤独症儿童的指纹数据，利用机器学习对孤独症进行识别和诊断。研究者使用指纹扫描仪采集了104名疑似孤独症儿童(年龄5－15岁)的左右手指纹，并对102名健康人进行了同样的试验，使用Mann－Whitney非参数检验和二项分布对数据进行分析，发现病例组和对照组的左右拇指和食指的皮纹分布有显著差异［43］。

鉴于某些视网膜特征与孤独症显著相关，相关研究利用机器学习的自动视网膜图像分析方法，优化视网膜信息，以开发孤独症的分类模型，然后使用10倍交叉验证方法评估模型的有效性，并将该模型用作孤独症筛查与诊断的风险评估工具［44］。此外，有研究利用孤独症儿童的个人特征数据，升级并评估了9种机器学习模型的性能，将个人特征数据作为输入特征，利用机器学习技术来改进孤独症筛查与诊断［45］。

研究者还利用光学脑成像研究孤独症患者大脑活动特征、结合特征参量，利用机器学习分类算法对孤独症进行筛查与诊断、利用多模态光学脑成像技术(即结合近红外光谱Near－InfraredSpectroscopy和漫反射光谱DiffuseReflectanceSpectrum)研究孤独症［46］。传统的孤独症评估基于实验室环境中的半结构化行为任务观察和结构化访谈，没有考虑现实生活中功能失调的感觉处理。有研究人员利用虚拟现实技术，采集孤独症儿童的皮肤电数据，再利用机器学习对其进行诊断［47］。还有研究构建融合多模态数据(如孤独症儿童产出的语言、动作、面部表情等)的智能化识别模型，建立结合脑影像技术的孤独症精细化诊断方法，开展人工智能辅助的孤独症早期患者的筛查与诊断［48］。另一研究基于机器学习的框架，使用从大脑胼胝体和颅内脑体积提取的特征自动诊断孤独症，该框架不仅实现了良好的识别精度，而且通过选择在孤独症分类的辨别能力方面最重要的特征，降低了训练机器学习模型的复杂性［49］。有研究者使用SPARK(全称为A-pacheSpark，是一种大数据分析引擎)中父母报告的在线调查，开发了5种常用的机器学习模型来预测孤独症儿童的认知障碍［50］。

3总结和展望

尽管分子遗传学和神经科学取得了重大进展，但基于临床观察的行为评级仍然是筛查、诊断和评估神经发育障碍(包括孤独症谱系障碍)的标准。这种行为评级是主观的，需要医生的专业知识和相关培训，而且通常不会从儿童的自然环境(如家庭或学校)中获取数据，不适用于大规模人口筛查。因此，标准化客观行为评估的计算方法的开发，对于筛查与诊断孤独症以及一般发育性和神经退行性疾病至关重要。

人工智能技术能帮助解决医学领域中具有挑战性的诊断问题，在筛查与诊断临床和生物数据风险方面取得了进展。大多数医疗人工智能应用程序涉及机器学习、深度学习、知识图谱、云计算、智能计算、物联网、大数据、数据挖掘、自然语言处理、专家系统、智能决策支持系统等技术。利用这些技术，计算机可以通过处理大量孤独症相关的数据，来识别和诊断孤独症。本研究探讨了如何利用机器学习分析孤独症儿童的行为、基因、脑电、眼动、大脑磁共振成像、光学脑成像、指纹、视网膜、光学脑成像、皮肤电、个人特征、多模态数据等数据，来提高诊断的准确性，缩短筛查与诊断时间。

但利用机器学习筛查与诊断孤独症儿童仍面临两大挑战:一是如何找到普遍性的孤独症儿童的生物标志物;二是如何对孤独症儿童的生物标志物数据进行特征选择。用机器学习诊断孤独症的关键问题是在进行分类之前，进行有效的特征选择。机器学习将生物标志物转化为机器能够识别的特征，经过对特征数据进行训练，通过降低数据维度，建立相应人工智能模型，以实现孤独症自动化的筛查与诊断。然而抽样方法不当、特征冗余、数据大小不平衡和不重要等因素都会影响特征选择的准确性。所以进一步建立更全面的数据集，并剖析个体和群体异质性，以及提高预测模型的性能，对于更好地诊断孤独症至关重要。虽然基于机器学习的孤独症筛查与诊断还存在着样本量较小、可重复性较低、构建孤独症的分类和识别模型较难等局限性，但机器学习对孤独症的筛查与诊断较传统方式更为客观、准确，能满足大规模筛查与诊断的需求。

目前，机器学习还未广泛应用于临床，未来或许可以与传统纸笔式量表、影像学检查等相互补充，起到一定的医学辅助诊断和辅助决策的作用。机器学习以外的其他人工智能技术也已应用于孤独症的筛查、诊断、治疗与康复，比如视频会议技术应用在孤独症儿童的远程诊疗中［51］，虚拟现实技术应用于孤独症谱系障碍儿童的治疗中［52］，机器人技术应用于孤独症谱系障碍儿童的干预中［53－55］。未来研究可开发孤独症儿童的信息追踪数据库，推动标准化模型分类指标体系，同时继续优化机器学习算法，加快智能化孤独症识别和诊断理论成果向实践转化，提升基于机器学习、虚拟现实、机器人等人工智能技术的孤独症诊断系统的普通化和定制化双向发展。期待医疗机构、临床医生和研究人员之间开展更广泛的合作，充分利用机器学习等人工智能技术，对孤独症儿童的数据进行收集、共享与建模等，促进孤独症儿童的诊断朝着规范化、智能化、精准化、专业化、通用化与个性化的方向发展。

(致谢:感谢团队成员徐雨洁、邬美婷、吴嘉慧硕士研究生收集、整理文献。)

参考文献

1JenniferDB，SusanEB，LongdiF，etal.Identifyingchildrenandyouthwithautismspectrumdisorderinelectronicmedicalrecords:Examininghealthsystemutilizationandcomorbidities．AutismResearch，2021，14(2):400-410

2五彩鹿孤独症研究院．中国孤独症教育康复行业发展状况报告(IV)．北京:光明日报出版社，2022:前言

3LordC，ElsabbaghM，BairdG，etal．Autismspectrumdisorder．Thelancet，2018，392(10146):508-520

4蔡郑婷，胡连信，王泽峰，等．几种常见儿童孤独症谱系障碍筛查及诊断量表的比较研究．中国全科医学，2022，25(24):2998-3004

5陈雯珺，余英，黄立鹤．数字技术在欧美国家孤独症儿童早期筛查中的应用．中国特殊教育，2022，(7):52-61

6唐子惠．医学人工智能导论．上海:上海科学技术出版社，2020．316-336

7MarosME，CapperD，JonesDTW，etal.MachinelearningworkflowstoestimateclassprobabilitiesforprecisioncancerdiagnosticsonDNAmethylationmicroarraydata．NatureProtocols，2020，15(2):479-512

8FajardaO，DuartePereiraS，SilvaRM，etal.Mergingmicroarraystudiestoidentifyacommongeneexpressionsignaturetoseveralstructuralheartdiseases．BioDataMining，2020，13(1):1-20

9RahmanM，UsmanOL，MuniyandiRC，etal．Areviewofmachinelearningmethodsoffeatureselectionandclassificationforautismspectrumdisorder．BrainSciences，2020，10(12):949-960

10LiY，MacheMA，ToddTA．Automatedidentificationofposturalcontrolforchildrenwithautismspectrumdisorderusingamachinelearningapproach．JournalofBiomechanics，2020，(113):110-123

11SapiroG，HashemiJ，DawsonG．Computervisionandbehavioralphenotyping:Anautismcasestudy.CurrentOpinioninBiomedicalEngineering，2019，(9):14-20

12AlcanizRayaM，MarínMoralesJ，MinissiME，etal．Machinelearningandvirtualrealityonbodymovementsbehaviorstoclassifychildrenwithautismspectrumdisorder．JournalofClinicalMedicine，2020，9(5):1260-1273

13Zhao，ZhongZhu，ZhipengZhang，etal.Identifyingautismwithheadmovementfeaturesbyimplementingmachinelearningalgorithms．JournalofAutismandDevelopmentalDisorders，2022，52(7):3038-3049

14RadNM，KiaSM，ZarboC，etal．Deeplearningforautomaticstereotypicalmotormovementdetectionusingwearablesensorsinautismspectrumdisorders．SignalProcessing，2018，(144):180-191

15CrippaA，SalvatoreC，PeregoP，etal．Useofmachinelearningtoidentifychildrenwithautismandtheirmotorabnormalities．JournalofAutismandDevelopmentalDisorders，2015，45(7):2146-2156

16StevensE，DixonDR，NovackMN，etal.Identificationandanalysisofbehavioralphenotypesinautismspectrumdisorderviaunsupervisedmachinelearning．InternationalJournalofMedicalInformatics，2019，(129):29-36

17Robles，MartaN，NegarO，etal．Avirtualrealitybasedsystemforthescreeningandclassificationofautism．IEEETransactionsonVisualizationandComputerGraphics，2022，28(5):2168-2178

18Nabil，MohamedA，Akram，etal．Applyingmachinelearningonhomevideosforremoteautismdiagnosis:Furtherstudyandanalysis．HealthInformaticsJournal，2021，27(1):1-13

19SekaranK，SudhaM．Predictingautismspectrumdisorderfromassociativegeneticmarkersofphenotypicgroupsusingmachinelearning．JournalofAmbientIntelligenceandHumanizedComputing，2021，12(3):3257-3270

20BrueggemanL，KoomarT，MichaelsonJJ.Forecastingriskgenediscoveryinautismwithmachinelearningandgenome-scaledata．ScientificReports，2020，(10)1:1-11

21LinY，AfsharS，RajadhyakshaAM，etal．Amachinelearningapproachtopredictingautismriskgenes:Validationofknowngenesand