[논문 리뷰] 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)|2023. 03. 07.

Autism Spectrum Disorder Research인용 수 4

한 줄 요약

이 논문은 자폐 스펙트럼 장애(ASD)의 디지털 페노타이핑 및 임상 관리에 대한 데이터 과학과 기계학습 응용을 검토하며, 행동 정량화, 진단 분류, 치료 개입에 중점을 둡니다. 이는 이식 가능한 구현을 위한 로드맵을 제시하며, 이질적인 신경정신의학적 페노타입에서의 종기적 모니터링과 개인화된 치료에 기계학습을 활용함에 있어 핵심 과제와 기회를 규명합니다.

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.

연구 동기 및 목표

• 자폐 스펙트럼 장애(ASD)의 디지털 페노타이핑을 위한 데이터 과학과 기계학습 연구를 종합하기 위해.
• ASD의 현재 진단, 치료 및 종기적 추적 파이프라인에서의 핵심 장애 요인을 규명하기 위해.
• 기계학습 모델이 자폐 관련 행동을 분류하는 데에 얼마나 성능이 좋고 임상 통합 가능성이 있는지 평가하기 위해.
• 데이터 과학 혁신을 ASD의 실제 임상 워크플로우로 이식하기 위한 로드맵을 제안하기 위해.
• 디지털 정신의학 및 신경학적 행동 분석에 관련된 공통 과제와 기회를 부각하기 위해.

제안 방법

• 자폐 연구 분야에서 데이터 과학과 기계학습 응용에 관한 동료 심사 논문에 대한 체계적 검토.
• 행동 데이터를 활용한 디지털 페노타이핑을 위한 사례-대조 설계 및 분류 체계로 연구를 분류.
• 음성, 운동, 시각 추적 등 다중모달 데이터를 기반으로 훈련된 기계학습 모델 분석을 통해 자폐 관련 페노타입을 탐지.
• ASD 진단 및 치료에 있어 기계학습 모델의 이식 잠재력에 영향을 미치는 기술적, 윤리적, 임상적 요인 평가.
• 실생활 환경에서의 데이터 이질성, 모델 해석 가능성, 종기적 추적과 관련된 과제 통합 분석.
• 확장성과 접근성의 형평성에 중점을 두어 향후 연구 및 임상 적용을 위한 체계적 로드맵 개발.

실험 결과

연구 질문

• RQ1 자폐 관련 행동을 정량화하기 위한 최신 데이터 과학 및 기계학습 방법은 무엇인가요?
• RQ2 기존의 디지털 페노타이핑 시스템은 다양한 인구 집단에서 자폐 스펙트럼 장애를 분류하는 데 어떻게 성능을 보이나요?
• RQ3 ASD의 기계학습 기반 진단 및 치료법의 실생활 구현을 저해하는 기술적, 윤리적, 임상적 장애 요인은 무엇인가요?
• RQ4 데이터 과학 접근법은 자폐의 신경정신의학적 페노타입 종기적 모니터링을 어떻게 최적화할 수 있나요?
• RQ5 확장 가능한 데이터 기반 솔루션을 통해 자폐 서비스 접근성을 어떻게 확대할 수 있을까요?

주요 결과

• 연구가 점점 증가함에 따라 기계학습을 활용해 음성, 운동, 사회적 상호작용 패턴 등의 디지털 페노타이핑 데이터에서 자폐 관련 행동을 분류하는 것이 가능하다는 것이 입증되었습니다.
• 다수의 기존 모델은 통제된 환경에서 높은 분류 성능를 보였지만, 다양한 인구 집단으로의 일반화 능력은 아직 제한되어 있습니다.
• 주요 과제로는 데이터 이질성, 표준화된 지표 부족, 모델 해석 가능성과 임상 유용성에 대한 충분한 고려 부족이 있습니다.
• 데이터 과학 도구를 활용한 행동 페노타입 종기적 추적은 아직 탐색이 부족하지만, 조기 간섭 및 개인화된 치료에 큰 잠재력을 지닙니다.
• 임상 이식을 가속화하기 위해 표준화된 벤치마크, 윤리적 프레임워크, 협업 기반 데이터 공유 이니셔티브가 절실하게 필요합니다.
• 이 리뷰의 통찰은 자폐를 넘어서 디지털 정신의학 및 신경학적 행동 분석 분야에도 널리 적용 가능합니다.