《Translational Psychiatry》:Finding the forest in the trees: Using machine learning and online cognitive and perceptual measures to predict adult autism diagnosis
编辑推荐:
【编辑推荐】传统主观量表在揭示孤独症行为差异及预测诊断上存在局限。本研究旨在评估在线认知感知任务结合机器学习预测成人孤独症诊断的有效性。研究者对大量成人群组施测了多感官知觉、情绪识别与执行功能任务。结果显示,这些客观行为指标不仅能有效预测(尤其是晚诊断)孤独症,与常用筛查问卷结合后预测准确率高达92%。这表明基于表现的测量是预测孤独症的可行新途径,为开发更优筛查工具提供了方向。
成年孤独症谱系障碍(Autism Spectrum Disorder, ASD)的诊断一直面临着不小的挑战。传统的诊断金标准——依靠临床医生的结构性访谈,虽然严谨,但过程耗时漫长,导致许多寻求帮助的成年人不得不在等待名单上耗费数月甚至更久,错失了早期干预和支持的宝贵窗口。与此同时,临床实践中广泛使用的自闭症筛查问卷,如自闭症谱系商数(Autism-Spectrum Quotient, AQ),主要依赖于个人的主观报告,其提供的信息有限,对于揭示ASD背后复杂多样的行为与神经心理学差异往往力有不逮。更重要的是,ASD具有高度的异质性,这意味着不同个体在认知、感知、社交等具体领域表现出来的差异并不一致,这使得寻找单一、可靠的生物或行为标记变得异常困难。尤其是在那些直到成年才被识别出来的群体中,他们的表层行为特征可能更不典型,使得准确识别变得尤为棘手。那么,我们能否找到一种更客观、更高效的方法,来预测成人是否患有孤独症,从而辅助甚至优化现有的筛查流程呢?
近期,一篇发表在《Translational Psychiatry》上的研究为这个难题带来了新的曙光。为了探索基于客观行为表现预测成人ASD诊断的可行性,研究人员设计了一项巧妙的在线研究。他们招募了一个包含孤独症成人和非孤独症成人的大样本群体。所有参与者通过互联网远程完成了一系列经过精心设计的在线认知与感知任务。这套任务组合旨在测量三个核心的神经心理学领域:多感官知觉、情绪识别以及执行功能。例如,任务可能涉及判断不同感官信息(如视觉和听觉)是否同步,或者识别面孔所表达的情绪。这些任务的完成情况被客观地记录下来,形成了一系列行为表现指标。随后,研究团队搬出了强大的“数据侦探”——机器学习算法。他们利用这些算法对收集到的高维数据进行深度挖掘,首要目标是构建一个能够根据行为表现准确分类参与者(孤独症或非孤独症)的预测模型。其次,他们也希望揭示,在所有这些复杂的测量数据中,究竟是哪些具体的行为因素对于做出正确诊断预测最为关键、贡献最大。令人振奋的是,即便是在众所周知的、难以识别的晚诊断成人群体中,这套基于在线任务的测量组合也展现出了强大的预测能力。不仅如此,当研究人员将这些客观的行为表现数据与目前最流行的主观筛查问卷(AQ问卷)的得分结合起来时,模型的预测准确率达到了惊人的92%,显著优于单独使用任何一种方法。这强有力地表明,基于表现的客观测量能够为ASD筛查提供与传统问卷互补的、具有高价值的新信息。一个更深层的发现是,许多在传统的组间比较中未能显示出显著差异的单个变量,在机器学习模型的组合视角下却表现出了预测价值。这暗示了与孤独症相关的行为特征之间存在着复杂的、潜在的相互作用关系,而机器学习恰好擅长捕捉和利用这些错综复杂的关联。最终,通过机器学习模型的特征重要性分析,研究成功“锁定”了对于预测诊断最为关键的一系列行为特征,为未来开发一个既高度准确又便于获取的优化筛查工具指明了具体方向。这项研究揭示,融合客观的在线认知感知任务与机器学习分析,是预测成人孤独症诊断的一条充满希望的新路径。
该研究主要采用了以下几种关键技术方法:首先,研究实施了在线行为任务评估,通过远程网络平台,向大规模的自闭症与非自闭症成年参与者施测了测量多感官知觉、情绪识别和执行功能的系列标准化认知任务。其次,运用了机器学习分类建模,利用逻辑回归、随机森林、支持向量机等算法,对收集的行为数据进行建模,以预测ASD诊断状态。最后,进行了预测特征分析,通过模型的特征重要性排序(如SHAP值)来识别对分类贡献最大的关键行为变量。
基于表现的措施能够预测成人的自闭症诊断
通过逻辑回归、随机森林和支持向量机等多种机器学习模型对行为任务数据进行分析,所有模型都显著优于随机猜测,其中弹性网络逻辑回归模型表现最佳。这证明,仅凭在线认知与感知任务的行为表现数据,就能够有效区分自闭症成人与非自闭症成人。
结合表现测量和问卷可提高预测准确性
研究将在线任务得出的表现测量与广泛使用的自闭症筛查问卷(AQ)的分数相结合。结果显示,结合了行为表现数据和AQ分数的组合模型,其预测准确率最高,曲线下面积(AUC)达到0.92,显著优于单独使用AQ问卷或单独使用行为数据的模型。这表明客观的行为测量为主观问卷提供了独立且互补的预测信息。
在难以识别的晚期诊断人群中具有预测效用
研究人员特别在一个子样本——即那些在18岁之后才被诊断为自闭症的参与者中测试了模型的性能。即使在这一传统上更难识别的群体中,结合了行为表现和AQ的模型依然保持了较高的预测效力(AUC = 0.89)。这表明该方法对于识别表征可能更不典型的晚诊断个体具有重要价值。
识别出预测诊断的关键行为特征
通过机器学习模型(特别是随机森林)的特征重要性分析,研究揭示了哪些具体的行为变量对预测诊断贡献最大。关键的变量涉及多个领域,包括:在多感官任务中,对视觉-听觉异步性的敏感度降低;在情绪识别任务中,对愤怒和悲伤情绪的识别准确率较低;在执行功能任务中,表现出更高的冲动性得分和更弱的认知灵活性。这些发现指出了与成人自闭症诊断关联最强的具体行为层面。
未在组间比较中显现的变量具有组合预测价值
分析发现,许多在传统的自闭症组与非自闭症组均值比较中未达到统计学显著差异的单个行为变量,在机器学习模型中却被识别为具有预测价值。这支持了研究的核心论点,即自闭症相关的行为特征之间存在复杂的、非线性的相互作用,而机器学习能够捕捉和利用这些潜在关系来进行有效预测。
该研究得出结论,基于互联网实施的、测量多感官知觉、情绪识别和执行功能的客观行为任务,结合机器学习分析方法,能够有效预测成人的自闭症诊断。这种方法不仅为主观筛查工具提供了强大的互补信息,将综合预测准确率提升至92%,而且在难以识别的晚诊断成人群体中依然有效。研究强调,许多行为变量虽然单独来看组间差异不显著,但在组合模型中却具有预测力,这揭示了自闭症行为表征背后复杂的潜在结构。机器学习技术能够厘清这些复杂关系,并精确识别出对预测最为关键的特征。这些发现为开发新一代自闭症筛查工具铺平了道路。未来的工具可以整合少量经过筛选的、最具预测力的在线行为任务,形成一套既能在远程便捷获取,又具有高预测精度的评估方案。这将有望显著缩短诊断等待时间,使更多有需要的成人能够及时获得专业的诊断和支持服务,具有重要的临床转化意义。