《自然》重磅：AI在兒童自閉症早期診斷上完勝醫生！丨奇點猛科技

08-08

近期，在北卡羅來納大學（UNC）教堂山分校精神病學家Heather Hazlett的帶領下，人工智慧在疾病診斷領域又下一城。她們開發的深度學習演算法，在預測2歲前的自閉症高危兒童（有個自閉症哥哥或者姐姐）是否會在2歲之後被診斷為自閉症上，以88%的準確度(Hazlett et al. 2017)遠超準確度只有50%的傳統行為問卷調查法(Charman 2014)。人工智慧在疾病診斷領域再次戰勝人類。

Heather Hazlett

Hazlett在接受IEEE採訪時表示，「我們這個演算法不僅在準確性上優於傳統的方法，而且我們可以在更早的時間診斷。」一般而言，自閉症在兒童成長到2到3歲才表現出典型的癥狀，所以基於行為觀察和問卷調查的方法，很難判斷2歲前的兒童是否會在2歲之後被診斷為自閉症。而Hazlett團隊發明的人工智慧方法，可以在兒童12個月大時，預測他會不會在2歲時被診斷為自閉症。

由於診斷準確率高，時間早，Hazlett團隊的這一重要成果於2月15日刊登在頂級期刊《自然》上(Hazlett et al. 2017)。這是本月人工智慧在疾病診斷領域的應用第二次登上《自然》雜誌。

自閉症是一種並不罕見的疾病，它還有另一個名字叫孤獨症。據統計，自閉症在普通的兒童群體中發病率約在1.5%左右，如果一個新生兒的哥哥或者姐姐被診斷為自閉症，那麼他就是個自閉症高危患兒，他的患病風險會飆升到20%左右。據測算，目前全世界自閉症患者數量接近4000萬。

可是，目前學術界對自閉症的成因仍沒有清晰的認識，也沒有治療自閉症的特效藥，甚至連好的診斷方法都沒有。這裡面的一部分原因是，自閉症太複雜了。「自閉症有可能是100種不同疾病的總稱」，羅氏製藥的行為藥理學專家Will Spooren博士說(Willyard 2016)。

對於自閉症患兒而言，到了可以診斷的年紀之後，有些患兒表現為不說話，有些患兒卻一直說個不停；有些患兒IQ非常低，以至於醫生認為他們存在智力障礙，可也有些患兒IQ卻高的驚人，在某些方面特別有天賦。如此等等。如此截然相反的表現，竟然出現在同一個疾病里，自閉症的複雜程度可見一斑。

在《星星的孩子》這部電影里，有這樣一句描述自閉症患兒的台詞，「有這樣一群孩子，他們被稱作『星星的孩子』，因為他們就像天上的星星，在遙遠而漆黑的夜空中獨自閃爍著。」這個抽象而凄美的描述，雖然很容易讓人意會自閉症患者的世界，但是這也不能作為診斷自閉症的標準。

近年來，隨著二代測序技術的飛速發展，關於自閉症基因組學的研究越來越多，科學家已經找到了近200個與自閉症相關的基因變異(Chang et al. 2015)，但是科學家依舊沒法利用這些信息判斷一個2歲前的孩子會不會成為自閉症患兒。

與自閉症相關的基因網路

這就意味著在診斷自閉症時找不到很好的生物標誌物。實際上在22年前，北卡羅來納大學（UNC）教堂山分校另一位精神病學家Joseph Piven也被這個問題困擾。然而，Piven和他的同事在研究自閉症的時候，發現一個問題：被診斷為自閉症的兒童的大腦往往比正常兒童的要大(Piven et al. 1995)。自閉症患兒的大腦究竟是從啥時候開始過度生長的呢？這個問題一直困擾著Piven教授。經過多年的隨訪和研究，Piven團隊終於發現，這個變化發生在兒童期早期階段(Hazlett et al. 2005, Hazlett et al. 2011)。時間範圍被縮小之後，問題一下子就被簡化了不少。

於是，在NIH的資助下，Piven，Hazlett和美國其他地區的研究人員對106名有家族史的高風險兒童和42名低風險兒童的大腦做了MRI掃描，每個兒童分別在年齡為6月、12月和24月時掃描一次。通過分析，他們發現，那些後來被診斷為自閉症的兒童，他們的大腦表面積在6到12個月時出現過度生長。而在一歲前大腦表面積的過度生長，與兒童在1歲到2歲之間大腦體積增加關係密切。大腦體積的過度生長又與自閉症有關。就這樣，Piven和Hazlett領導的研究團隊，將自閉症與非常早期的大腦變化聯繫了起來。

雖然Piven和Hazlett已經發現了這層關係，但是在實際的診斷過程中，不僅僅涉及到大腦的體積，大腦的表面積，還涉及到嬰兒的性別等數據，而且有些數據還是動態變化的。如此看來，即使測得相關數據，僅憑人力也很難給具體的一個嬰兒做診斷。於是乎，Piven和Hazlett想到了人工智慧。

Piven和Hazlett弄了一個機器學習演算法，將這批兒童在6個月和12個月大時的大腦表面積，大腦體積和皮質厚度數據，再加上兒童的性別，一股腦的餵給這套機器學習演算法。希望計算機自己找到診斷一個兒童會不會在2歲之後被診斷為自閉症的方法。

在一個由34名高危兒童和145名普通兒童構成的群體研究中，這套機器學習演算法整體預測的準確率高達81%，如果單獨考察高危兒童的預測結果，準確率則高達88%。這一表現完勝同年齡階段醫生的診斷結果。當然，這套演算法也犯了錯誤，它認為142名健康兒童中的4名在2歲後會被診斷為自閉症。

「這意味著我們以後有可能在自閉症癥狀出現之前，判斷一個孩子未來是不是會被診斷為自閉症。」Piven說。這就意味著，如果這套演算法被證實可以用於臨床，醫生就可以藉助這套演算法篩選會患病的兒童，研究在疾病發生的早期，如何干預自閉症的發展。

目前沒有證據表明可以通過某種干預手段降低嬰兒自閉症的風險，美國國立心理健康研究所的醫學專家Armin Raznahan表示。這在很大的程度上是因為，通過目前的手段，一旦診斷兒童為自閉症患者，那麼他們受到的傷害已經無法挽回了，這一點兒跟阿爾茨海默病和帕金森病等非常類似。該研究的出現，將在一定程度上改善現在的局面。

參考資料：

Chang, J., et al. (2015). "Genotype to phenotype relationships in autism spectrum disorders." Nat Neurosci 18(2): 191-198.

Charman, T. (2014). "Early identification and intervention in autism spectrum disorders: Some progress but not as much as we hoped." International journal of speech-language pathology 16(1): 15-18.

Hazlett, H., et al. (2005). "Magnetic resonance imaging and head circumference study of brain size in autism: Birth through age 2 years." Archives of General Psychiatry 62(12): 1366-1376.

Hazlett, H., et al. (2011). "Early brain overgrowth in autism associated with an increase in cortical surface area before age 2 years." Archives of General Psychiatry 68(5): 467-476.

Hazlett, H. C., et al. (2017). "Early brain development in infants at high risk for autism spectrum disorder." Nature 542(7641): 348-351.

Piven, J., et al. (1995). "An MRI study of brain size in autism." American Journal of Psychiatry 152(8): 1145-1149.

Willyard, C. (2016). "New efforts to design better tools to track autism therapy response." Nat Med 22(6): 570-571.