[论文解读] 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 4

一句话总结

本文综述了数据科学与机器学习在自闭症谱系障碍（ASD）数字表型分析及临床管理中的应用，重点关注行为量化、诊断分类与治疗干预。文章提出了一个转化部署路线图，识别了在异质性神经精神疾病表型中利用机器学习实现长期监测与个性化护理的关键挑战与机遇。

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.

研究动机与目标

• 综合现有关于数据科学与机器学习在自闭症谱系障碍（ASD）数字表型分析中的研究。
• 识别当前ASD诊断、治疗及长期追踪流程中的关键瓶颈。
• 评估机器学习模型在分类自闭症相关行为方面的现状及其临床整合潜力。
• 提出将数据科学创新转化为ASD真实世界临床工作流程的路线图。
• 突出与数字精神病学及神经行为分析相关的跨领域挑战与机遇。

提出的方法

• 对数据科学与机器学习在自闭症研究中应用的同行评审文献进行系统性综述。
• 将研究按病例对照设计与基于行为数据的数字表型分类系统进行分类。
• 分析基于多模态数据（如语音、运动、眼动追踪）训练的机器学习模型在检测自闭症相关表型中的表现。
• 评估影响机器学习模型在ASD诊断与治疗中转化潜力的技术、伦理与临床因素。
• 综合分析现实环境中数据异质性、模型可解释性与长期追踪相关的挑战。
• 制定面向未来研究与临床部署的结构化路线图，强调可扩展性与可及性公平性。

实验结果

研究问题

• RQ1 当前用于量化自闭症相关行为的数据科学与机器学习方法的最先进水平是什么？
• RQ2 现有数字表型系统在不同人群中的自闭症谱系障碍分类表现如何？
• RQ3 哪些技术、伦理与临床障碍阻碍了基于机器学习的ASD诊断与治疗方案在真实世界中的部署？
• RQ4 如何优化数据科学方法以实现对自闭症神经精神表型的长期监测？
• RQ5 通过可扩展的数据驱动解决方案扩大自闭症服务可及性的关键机遇有哪些？

主要发现

• 越来越多的研究表明，利用机器学习从数字表型数据（如语音、运动、社交互动模式）中分类自闭症相关行为具有可行性。
• 许多现有模型在受控环境中表现出良好的分类性能，但其在不同人群中的泛化能力仍有限。
• 主要挑战包括数据异质性、缺乏标准化指标，以及对模型可解释性与临床实用性的关注不足。
• 利用数据科学工具进行行为表型长期追踪的研究尚不充分，但具有早期干预与个性化治疗的重大潜力。
• 迫切需要建立标准化基准、伦理框架以及协作式数据共享计划，以加速临床转化。
• 本综述的见解广泛适用于自闭症以外的数字精神病学与神经行为分析领域。