本文分享自Spectrum IEEE
原文链接:http://spectrum.ieee.org/the-human-os/biomedical/imaging/ai-predicts-autism-from-infant-brain-scans
二十二年前,有研究人员称,患有自闭症谱系障碍的青少年脑容量会增加。而这些年的研究表明,这种脑容量的过度增长是发生在儿童期。
最近,北卡罗来纳大学的一个研究团队从6个月大的婴儿,检测到了与自闭症相关的脑部发育变化。这引起了我们的注意,因为深度学习算法能够使用该数据对一个极有可能患自闭症的儿童进行预测,而确诊需在24个月时才可以。
该算法预测的准确率为81%,灵敏度为88%。与行为问卷相比,这个结果是很不错的。行为问卷要在约12个月大时才能看出一些症状,且只有50%的准确率。
算法的提出者之一,UNC心理学家,脑发育研究员Heather Hazlett称:“这比常规方法更胜一筹,并且可以在较早的时候发现。”
婴儿脑成像研究是NIH(美国国家卫生研究所)的一个有关自闭症早期大脑发育的研究,而这一研究是NIH婴儿脑成像研究的一部分。该研究团队找了106名已确诊为自闭症的较为年长的婴儿和42名没有自闭症家族病史的婴儿。研究人员分别在6个月,12个月和24个月时,对每个孩子的大脑进行了扫描。
他们发现,6至12个月大小的婴儿,其大脑整体的发育没有变化。但是后来被确诊为自闭症的高危儿童的脑表面积会有显著增加。脑表面积的增加与在12到24个月之间的脑体积的生长有关。换言之,自闭症患者,其大脑的发育在12个月时首先扩展表面积,然后在24个月时扩展整体体积。
在儿童24个月大小时,该团队还对其进行了行为评估。这时,他们年龄大到足以开始显示自闭症的症状,例如缺乏社会兴趣,语言障碍和刻板的行为模式等。研究人员指出,大脑脑容量的过度增长越厉害,儿童的自闭症症状越严重。
虽然上述研究已证实与自闭症相关的大脑变化发生在早期,但研究人员并没有止步于此。他们与UNC和Charleston大学的计算机科学家合作,提出一种算法,用脑扫描图像进行训练,看是否可以使用这些早期的大脑变化来预测哪些孩子患有自闭症。
这个算法的效果很不错。它只使用三个变量——脑表面积,脑体积和性别(男孩比女孩更容易患自闭症),算法从10个患有自闭症的儿童中能识别出八个。 Hazlett称,“这很不错了,比一些行为评估好太多。”
对于算法训练,最初团队将一半数据用于训练,一半用于测试。之后,他们根据评审人员的要求,将数据分成10等分,进行了更准确的训练。算法需迭代学习10次,每次用9份数据训练,第10份用于测试。最后,将10次训练中测试结果组合到一起用于做预测。
团队成员,UNC神经图像分析与研究实验室主任Martin Styner表示,两种训练方式——最初的一半一半和最后的10份,其结果几乎是相同的。团队对准确率的结果很满意。作者之一,Charleston大学副教授Brent Munsell,在给IEEE的电子邮件中称,“加入更多内容后,我们预计会有大致相同的准确度。在过去几年中,深入学习方法已被证明是非常准确的。”
同时Hazlett强调,“参照我们同行的最近的关于AI医疗应用的例子,将算法真正应用到临床上还需要一些时间,需要进行更严格的测试。”因为目前仅仅是根据照片进行判断,还不清楚算法能否在临床中与“专业知识”匹配。而且测试用的儿童的大脑扫描图像的获取是困难和昂贵的。
Hazlett补充说,“这样昂贵的诊断检测不一定对所有孩子都适合。对每个刚出生的宝宝,这样的诊断在临床上不是必要的。”但如果通过基因测试或其他手段,发现一个孩子有患自闭症的可能性,则脑成像可以辅助判断大脑的变化,以进一步对患病可能性做诊断。