[論文レビュー] A Review of and Roadmap for Data Science and Machine Learning for the Neuropsychiatric Phenotype of Autism

Peter Washington, Dennis P. Wall|arXiv (Cornell University)|Mar 7, 2023

Autism Spectrum Disorder Research被引用数 4

ひとこと要約

本論文は、てんかんスペクトラム障害（ASD）のデジタルフェノタイピングおよび臨床的管理におけるデータサイエンスおよび機械学習の応用をレビューし、行動の定量的評価、診断分類、および治療介入に焦点を当てている。臨床応用への移行のためのロードマップを提示し、多様な神経精神的フェノタイプにおける縦断的モニタリングと個別化医療の実現に向けた主な課題と機会を特定している。

ABSTRACT

Autism Spectrum Disorder (autism) is a neurodevelopmental delay which affects at least 1 in 44 children. Like many neurological disorder phenotypes, the diagnostic features are observable, can be tracked over time, and can be managed or even eliminated through proper therapy and treatments. Yet, there are major bottlenecks in the diagnostic, therapeutic, and longitudinal tracking pipelines for autism and related delays, creating an opportunity for novel data science solutions to augment and transform existing workflows and provide access to services for more affected families. Several prior efforts conducted by a multitude of research labs have spawned great progress towards improved digital diagnostics and digital therapies for children with autism. We review the literature of digital health methods for autism behavior quantification using data science. We describe both case-control studies and classification systems for digital phenotyping. We then discuss digital diagnostics and therapeutics which integrate machine learning models of autism-related behaviors, including the factors which must be addressed for translational use. Finally, we describe ongoing challenges and potent opportunities for the field of autism data science. Given the heterogeneous nature of autism and the complexities of the relevant behaviors, this review contains insights which are relevant to neurological behavior analysis and digital psychiatry more broadly.

研究の動機と目的

• てんかんスペクトラム障害（ASD）のデジタルフェノタイピングに向けたデータサイエンスおよび機械学習の既存研究を統合する。
• ASDの診断、治療、縦断的トラッキングのパイプラインにおける現在の主要なブottleneckを特定する。
• ASD関連行動の分類に用いられる機械学習モデルの現状を評価し、臨床統合の可能性を検討する。
• データサイエンスのイノベーションをASDの実臨床ワークフローに移行させるためのロードマップを提言する。
• デジタル精神病学および神経行動分析に共通する課題と機会を強調する。

提案手法

• てんかんスペクトラム障害研究におけるデータサイエンスおよび機械学習の応用に関する査読付き論文の体系的レビュー。
• 行動データを用いたデジタルフェノタイピングのための症例対照デザインおよび分類システムへの研究の分類。
• 音声、運動、眼球運動追跡などのマルチモodalデータを用いて訓練された機械学習モデルの分析。これらはASD関連フェノタイプを検出することを目的としている。
• ASD診断および治療における機械学習モデルの臨床的応用可能性に影響を与える技術的、倫理的、臨床的要因の評価。
• 現実世界の環境におけるデータの多様性、モデルの解釈可能性、縦断的トラッキングに関する課題の統合的分析。
• スケーラビリティとアクセスの公平性に重点を置いた、今後の研究および臨床的展開のための構造化されたロードマップの開発。

実験結果

リサーチクエスチョン

• RQ1 ASD関連行動を定量化するための現在の最先端のデータサイエンスおよび機械学習手法は何か？
• RQ2 既存のデジタルフェノタイピングシステムは、多様な集団においててんかんスペクトラム障害をどのように分類しているか？
• RQ3 ASDのMLベース診断および治療法の実世界への展開を妨げる技術的、倫理的、臨床的障壁は何か？
• RQ4 神経精神的フェノタイプの縦断的モニタリングを最適化するためには、データサイエンス的手法をどのように活用すべきか？
• RQ5 スケーラブルなデータ駆動型ソリューションを通じて、ASDサービスへのアクセスを拡大するための主な機会は何か？

主な発見

• 増加する研究が、音声、運動、社会的相互作用パターンなどのデジタルフェノタイピングデータからASD関連行動を分類するための機械学習の実現可能性を示している。
• 多くの既存モデルは制御された環境下で有望な分類性能を示しているが、多様な集団への一般化性は依然として限定的である。
• 主な課題として、データの多様性、標準化された指標の欠如、モデルの解釈性および臨床的有用性への十分な注意の欠如が挙げられる。
• データサイエンスツールを用いた行動フェノタイプの縦断的トラッキングはまだ十分に検討されていないが、早期介入および個別化療法の観点から極めて大きな潜在的価値を有している。
• 臨床的応用を加速するためには、標準化されたベンチマーク、倫理的フレームワーク、共同データ共有イニシャチブの整備が不可欠である。
• 本レビューの知見は、ASDにとどまらず、デジタル精神病学および神経行動分析分野全体に広く適用可能である。