סקירה זו מעריכה 50 מחקרים עדכניים המיישמים למידת מכונה ולמידה עמוקה לאבחון הפרעת ספקטרום האוטיזם (ASD). גישות מולטימודליות המשלבות נתונים נוירודימינג, התנהגות וביולוגיה הראו שיפור בביצועים. אתגרים מרכזיים כוללים פרשנות, יכולת הרחבה והטרוגניות בנתונים. המאמצים העתידיים צריכים להתמקד במערכות בינה מלאכותית ניתנות להסבר, שומרות על פרטיות וניתנות לתרגום קליני.
Review Article
סקירה מקיפה של שיטות למידת מכונה ולמידה עמוקה לאבחון וניתוח הפרעות ספקטרום האוטיזם
July 17th, 2026
Opens in a new tab
In This Article
Summary
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Abstract
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
הפרעת הספקטרום האוטיסטי (ASD) היא מצב נוירו-התפתחותי הטרוגני המאופיין בפרופילים התנהגותיים, קוגניטיביים, חושיים ותקשורתיים מגוונים, מה שמקשה על האבחון המוקדם והתערבות מותאמת אישית. התקדמות אחרונה בלמידת מכונה (ML) ולמידה עמוקה (DL) אפשרה פיתוח כלים חישוביים לסקר ASD, סיווג, הערכת חומרה ומעקב אחר התערבויות. סקירה זו מסנתזת ממצאים מ-50 מחקרים עדכניים שיישמו טכניקות ML ו-DL על מערכי נתונים הקשורים ל-ASD, כולל אלקטרואנצפלוגרפיה (EEG), מעקב עיניים, וידאו התנהגותי, מיקרוביום, קול אקוסטי, דמוגרפי ורב-מודלי. הסקירה מתייחסת לשלוש שאלות מרכזיות: (i) אילו שיטות נתונים וגישות חישוביות הן הנפוצות ביותר, (ii) כיצד ביצועי האבחון מוערכים בין תכנוני מחקר שונים, ו-(iii) אילו אתגרים מתודולוגיים מגבילים את התרגום הקליני. הספרות מאורגנת לפי מודאליות הנתונים, גישה אלגוריתמית ומוכנות קלינית. הגישות שנבדקו כוללות שיטות למידת מכונה קונבנציונליות, רשתות עצביות קונבולוציונליות, רשתות עצביות גרפיות, ארכיטקטורות למידה עמוקה היברידיות, למידה מאוחדת, בינה מלאכותית מוסברת, ניתוח נתונים טופולוגי ומיזוג מולטימודלי. הממצאים מצביעים על כך שגישות רב-מודליות ומבוססות גרף מספקות ייצוג מקיף יותר של פנוטיפים של ASD מאשר שיטות חד-מודליות. הסבר ולמידה השומרת על פרטיות הפכו גם הם לשיקולים חשובים לפריסה קלינית. עם זאת, מודלים רבים מדווחים על ביצועים גבוהים מבוססים על גודל מדגם קטן, שימוש חוזר במערך הנתונים ABIDE, חוסר איזון במחלקות, אימות באתר יחיד או בדיקות חיצוניות מוגבלות, מה שמעלה חששות לגבי הכללה. מעבר לדיוק האבחון, סקירה זו מעריכה את יכולת הפרשנות של המודל, כיול, יכולת הרחבה, קפדנות האימות ויישום קליני. בסך הכל, הניתוח מדגיש את הצורך במדדים סטנדרטיים, מאגרי נתונים מולטימודליים מאומתים חיצונית, מדדי הערכה קלינית רלוונטיים ומערכות תמיכה בהחלטות שמשלימות במקום להחליף את ההערכה הקלינית המומחית באבחון וניהול ASD.
Introduction
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
הפרעת הספקטרום האוטיסטי (ASD) היא מצב נוירו-התפתחותי מורכב המאופיין בליקויים בתקשורת חברתית, תחומי עניין מוגבלים והתנהגויות חוזרות. הטבע ההטרוגני של ASD והחפיפה שלו עם הפרעות נוירו-התפתחותיות אחרות הופכים את האבחון וההערכה הקלינית למאתגרים במיוחד. גישות אבחנתיות מסורתיות מסתמכות בעיקר על תצפיות התנהגותיות והערכות קליניות, שעשויות לתרום לאבחון מאוחר ולשונות בתוצאות הקליניות. זיהוי מוקדם ומדויק של ASD הוא חיוני, משום שהתערבות בזמן הוכחה כמשפרת משמעותית את התפקוד הקוגניטיבי, החברתי וההסתגלי. התקדמות אחרונה בבינה מלאכותית (AI), במיוחד למידת מכונה (ML) ולמידה עמוקה (DL), הרחיבה את ההזדמנויות לפיתוח גישות אובייקטיביות ומונעות נתונים לאבחון וניתוח ASD 1,2,3.
טכניקות ML ו-DL מאפשרות ניתוח של מאגרי נתונים מממד גבוה שמקורם בהדמיית תהודה מגנטית פונקציונלית (fMRI), אלקטרואנצפלוגרפיה (EEG), מעקב עיניים, הערכות התנהגות, אותות דיבור וסמנים ביולוגיים נוספים. גישות אלו הראו פוטנציאל משמעותי לסקר ASD, סיווג, חיזוי חומרה ומעקב אחר התערבויות. מחקרים עדכניים דיווחו על תוצאות מעודדות באמצעות מודלים מבוססי נוירו-דימות, אנליטיקה התנהגותית, מסגרות למידה רב-מודליות וארכיטקטורות לשמירה על פרטיות לזיהוי והערכה של ASD 4,5,6. עם זאת, גוף הספרות המתפתח במהירות נותר מפוצל מאוד, שכן מחקרים רבים מתמקדים במודאליות נתונים בודדות, אלגוריתמים ספציפיים או מטרות קליניות מבודדות, מה שמקשה על השוואה ישירה של מתודולוגיות וממצאים.
למרות התקדמות משמעותית, מספר אתגרים ממשיכים להגביל את התרגום הקליני של מערכות אבחון ASD מבוססות בינה מלאכותית. מודלים רבים שפורסמו מפותחים באמצעות מאגרי נתונים קטנים יחסית, קבוצות באתר בודד או נהלי אימות מוגבלים, מה שמעלה חששות בנוגע להכללה וליישום בעולם האמיתי. בנוסף, סוגיות הקשורות לפרשנות, יעילות חישובית, יכולת הרחבה, הוגנות ופרטיות נתונים ממשיכות להיות מחסומים חשובים לאימוץ קליני. סקירות קיימות התמקדו בדרך כלל במתודולוגיות ספציפיות או במקורות נתונים בודדים, לעיתים מתעלמים מהקשרים הרחבים יותר בין מודאליות הנתונים, עיצוב אלגוריתמי, קפדנות האימות ומוכנות קלינית.
כדי להתמודד עם פערים אלו, סקירה זו מסכמת ראיות מ-50 מחקרים עדכניים שיישמו טכניקות למידת מכונה (ML) ולמידה עמוקה (DL) לאבחון וניתוח של הפרעת ספקטרום האוטיזם (ASD). הספרות שנבדקה כוללת מגוון רחב של גישות חישוביות ומודאליות נתונים, כולל שיטות מבוססות הדמיה נוירולוגית באמצעות דימות תהודה מגנטית פונקציונלית ומבנית (fMRI/sMRI), אלקטרואנצפלוגרפיה (EEG), ניתוח התנהגותי ומבט, עיבוד אותות פיזיולוגי, הערכת דיבור וקול-קול, סמנים ביולוגיים מבוססי מיקרוביום ומסגרות למידה רב-מודליות. מחקרים עדכניים חקרו גישות למידת מכונה קונבנציונליות כגון מכונות וקטוריות תמיכה ויערות אקראיים, וכן ארכיטקטורות למידה עמוקה מתקדמות הכוללות רשתות עצביות קונבולוציוניות, רשתות עצביות גרפיות, למידת העברה, מודלים מבוססי קשב, מסגרות למידה מאוחדות, בינה מלאכותית מוסברת וגישות לניתוח נתונים טופולוגיים 1,2,3,4,5,6 ,7,8,9,10,11,12,13,14,15,16.
המחקרים שנבדקו מדגימים עוד יותר את המגוון ההולך וגדל של מקורות הנתונים הקשורים ל-ASD והמטרות האנליטיות. החקירות בחנו הטרוגניות נוירואנטומית, דפוסי קישוריות פונקציונלית, הערכה התנהגותית, סקר מבוסס מציאות מדומה, ניטור פיזיולוגי, ניתוח EEG, סיווג מבוסס אלקטרורטינוגרפיה, פרופילינג מיקרוביום, מטבולומיקה, אקוסטיקת דיבור ומיזוג נתונים רב-מודלי לאבחון, חיזוי חומרה, ניטור התערבות וזיהוי תת-סוגים 17,18,19,20. 21,22,23,24,25,26,27,28,29,30,31,32,33,34,35 . התפתחויות אלו משקפות מעבר ממודלים אבחנתיים חד-מודליים למסגרות אינטגרטיביות המסוגלות ללכוד את הביטויים הקליניים ההטרוגניים של ASD.
מעבר לסיכום ביצועי האבחון, סקירה זו מעריכה את הקשר בין מודאליות הנתונים, עיצוב אלגוריתמי, קפדנות הוולידציה, פרשנות, יכולת הרחבה ויישום קליני. מוקדשת תשומת לב מיוחדת לגישות מתפתחות כגון למידה פדרטיבית, מידול מבוסס גרפים, מיזוג מולטימודלי, בינה מלאכותית מוסברת, מסגרות למידה לשמירה על פרטיות, טכנולוגיות מציאות מורחבת ואבחון מדויק מונע סמניםביולוגיים 36,37,38,39,40,41,42,43,44,45, 46, 47, 48, 49, 50. על ידי שילוב ראיות בין מודאליות, אלגוריתמים ואסטרטגיות אימות, סקירה זו מספקת מדד מובנה לטכנולוגיות אבחון עכשוויות של ASD תוך הדגשת חוזקות, מגבלות ושיקולי איכות ראיות. הניתוח חורג מעבר לדיוק המדווח וכולל פרשנות חיצונית, אימות חיצוני, מוכנות קלינית וכדאיות פריסה, ובכך מציע מסגרת להערכת הפוטנציאל התרגומי של מערכות אבחון ASD מונחות בינה מלאכותית. בסופו של דבר, סקירה זו שואפת לזהות מגמות מחקר עכשוויות, להדגיש פערים קיימים ולהציג כיוונים עתידיים לפיתוח פתרונות בינה מלאכותית ניתנים להרחבה, פרשנות ותרגם קליני להערכה וניהול של ASD.
שיטת הסקירה
מחקר זה נערך כסקירת היקף כדי לספק סקירה מקיפה של גישות עדכניות של למידת מכונה (ML) ולמידה עמוקה (DL) המיושמות לאבחון וניתוח של הפרעת ספקטרום האוטיזם (ASD). שיטת סקירת היקף נבחרה משום שהספרות הזמינה היא הטרוגנית מאוד בין מודאליות נתונים, מטרות קליניות, מסגרות אלגוריתמיות, מערכי נתונים, אסטרטגיות אימות ומדדי תוצאות מדווחים.
המחקרים שנבדקו כללו מגוון רחב של מקורות נתונים, כולל הדמיה עצבית, אלקטרואנצפלוגרפיה (EEG), מעקב עיניים, הערכות התנהגות, אותות דיבור, פרופילי מיקרוביום ומאגרי נתונים רב-מודליים. מכיוון שהיו הבדלים משמעותיים בין אוכלוסיות המחקר, תקני ייחוס, מדדי ביצועים ועיצובים ניסויים, מטא-אנליזה כמותית נחשבה לבלתי מתאימה. במקום זאת, מטרת סקירה זו הייתה למפות את נוף המחקר הנוכחי, לזהות מגמות מתודולוגיות, להשוות גישות חישוביות, להעריך את איכות הראיות ולהעריך את המוכנות הקלינית של מערכות למידת למידת מכונה ו-DL לאבחון ומעקב אחר ASD.
המחקרים שנכללו נותחו לפי מודאליות הנתונים, מתודולוגיית למידת מכונה, אסטרטגיית אימות, ביצועי אבחון, פרשנות ניתוח, יכולת הרחבה ופוטנציאל לתרגום קליני. הושם דגש מיוחד על תחומים מתפתחים כמו למידה רב-מודלית, בינה מלאכותית מוסברת, למידה מאוחדת, מידול מבוסס גרפים ומסגרות אבחון השומרות על פרטיות.
שאלות מחקר
סקירה זו הונחתה על ידי שלוש שאלות עיקריות. ראשית, הוא בחן אילו שיטות נתונים הקשורות ל-ASD וגישות למידת מכונה/למידה עמוקה (ML/DL) שימשו הכי הרבה לסקר, אבחון, חיזוי חומרה ומעקב אחר התערבויות. שנית, הוא העריך כיצד ביצועי המודלים, אסטרטגיות הוולידציה, פרשנות ויכולת הרחבה דווחו במחקרי בינה מלאכותית עדכנית בתחום ASD. שלישית, הוא חקר את המגבלות המתודולוגיות, החששות באיכות הראיות והחסמים לתרגום קליני שממשיכים להשפיע על אימוץ מערכות מבוססות ML/DL לאבחון וניהול ASD. ביחד, שאלות אלו מספקות מסגרת לסינתזה מגמות מחקר עכשוויות, הערכת החוזקות והחולשות של הגישות הקיימות, וזיהוי עדיפויות לפיתוח עתידי של פתרונות בינה מלאכותית קלינית ישימים לאוטיזם.
אסטרטגיית חיפוש ומקורות מידע
נערך חיפוש ספרות ב-IEEE Xplore, PubMed/MEDLINE, Scopus, Web of Science, ScienceDirect, SpringerLink ו-Google Scholar. החיפוש התמקד במחקרים שפורסמו בין השנים 2022 ל-2025 כדי ללכוד התקדמויות עדכניות בלמידת מכונה (ML), למידה עמוקה (DL), למידה מאוחדת, רשתות עצביות גרפיות, מיזוג רב-מודלי ובינה מלאכותית מוסברת (XAI) לאבחון וניתוח של הפרעת ספקטרום האוטיזם (ASD).
אסטרטגיית החיפוש שילבה מונחים הקשורים ל-ASD, מתודולוגיות בינה מלאכותית, מטרות אבחון ומודאליות נתונים. שאילתת החיפוש הראשית כללה את המונחים: ("הפרעת ספקטרום האוטיזם" או ASD או אוטיזם) ו-("למידת מכונה" או "למידה עמוקה" או "בינה מלאכותית" או CNN או GNN או SVM או "יער אקראי" או "למידה מאוחדת" או "בינה מלאכותית מוסברת") ו-(אבחון או סקר או סיווג או חיזוי או חומרה או התערבות) ו-(fMRI או MRI או EEG או "מעקב עיניים" או וידאו או מיקרוביום או קול או מולטימודאלי). תחביר החיפוש הותאם לפי הצורך עבור מסדי נתונים בודדים.
כדי לשפר את כיסוי המחקרים ולהפחית את הסיכון להחמצת פרסומים רלוונטיים, רשימות המקורות של מאמרי סקירה זכאים ומחקרים ראשוניים נבדקו ידנית לרשומות נוספות. קבוצת המחקרים הסופית נבחרה על בסיס קריטריוני הזכאות המוגדרים מראש המתוארים להלן.
קריטריוני זכאות
המחקרים נבחרו לפי קריטריוני הכללה והחרגה מוגדרים מראש כדי להבטיח רלוונטיות ליישומי למידת מכונה ולמידה עמוקה ממוקדות ASD, איכות מתודולוגית ויישום קליני. קריטריוני הזכאות המשמשים לבחירת מחקר מסוכמים בטבלה 1.
הליך הסינון
כותרות ותקצירים של הרשומות שנאספו נבדקו בתחילה כדי להעריך את הרלוונטיות שלהן להפרעת ספקטרום האוטיזם (ASD), מתודולוגיות בינה מלאכותית ומטרות אבחנתיות או אנליטיות. מאמרים מלאים נבדקו לאחר מכן לאישור זכאות ולחילוץ מידע בנוגע לאוכלוסיות המחקר, מקורות נתונים, גישות חישוביות, אסטרטגיות אימות ומדדי תוצאה מדווחים. רשומות כפולות ומחקרים עם תוכן חופף הוצאו לפני הסינתזה הסופית. כאשר מספר מחקרים השתמשו באותו מערך נתונים (למשל, ABIDE), נשמרו רק מחקרים עם ארכיטקטורות מודל שונות, ייצוגי תכונות, מסגרות אימות או מטרות קליניות כדי למנוע כפילויות ולהבטיח הערכה מקיפה של גיוון מתודולוגי.
חילוץ וסינתזה של נתונים
הנתונים נלקחו מכל מחקר שנכלל באמצעות גישה מובנית. המידע שחולץ כלל את שנת המחבר והפרסום, מודאליות הנתונים, מאגר נתונים או מקור, גודל מדגם כאשר זמין, אוכלוסיית יעד או קבוצת גיל, משימה הקשורה ל-ASD, סוג אלגוריתם או מודל, שיטת חילוץ תכונות, אסטרטגיית אימות, מדדי ביצועים מדווחים, גישת פרשנות, מצב אימות חיצוני, מגבלות מוצגות ויישום קליני. המחקרים סונתזו לאחר מכן לפי מודליות הנתונים, קטגוריית האלגוריתמים, המטרה הקלינית, עיצוב האימות ואיכות הראיות, ולא דורגו רק לפי ביצועים מדווחים.
הערכת איכות והערכת סיכון להטיה
בוצעה הערכה מתודולוגית להערכת הטיה פוטנציאלית, איכות הראיות ומוכנות קלינית. כל מחקר הוערך על פי גודל המדגם המתאים ביותר, איזון כיתות, הסתמכות על מאגרי נתונים חוזרים כמו ABIDE, סיכון לדליפת נתונים בין שלבי העיבוד המוקדם והוולידציה, סוג האימות ההדדי או האישור החיצוני, דיווח כיול, הוגנות דמוגרפית בגיל ומגדר, פרשנות, שחזוריות וכידימות פריסה. מחקרים שדיווחו על דיוק גבוה מאוד פורשו בזהירות אלא אם כן נתמכו בגודל מדגם מספק, בדיקות עצמאיות, נהלי בקרת דליפות ושיטות אימות שקופות.
דיווח מדדי ביצועים
ההשוואה המתוקנת כללה רק מדדים שדווחו במפורש במחקרים המקוריים. כאשר מדד לא היה זמין, הוא סומן כ-NR, מה שציין "לא דווח," במקום להיות מוערך או מקוער. השוואות בין מחקרים פורשו איכותנית משום שהמחקרים שנכללו היו שונים משמעותית בגודל מאגר הנתונים, מטרה קלינית, אסטרטגיית אימות, מתודולוגיה, קבוצת גיל ותקן ייחוס. לכן, ערכי דיוק מדווחים לא טופלו כמדדים דומים ישירות לעליונות המודל. הטבלאות המעודכנות מבדילות בין ביצועים חיזויים לאיכות ראיות על ידי הכללת אוכלוסיית היעד, גודל מאגר נתונים, שיטת אימות, מצב אימות חיצוני ומגבלות מפתח.
Review and Perspective
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
הפרעת הספקטרום האוטיסטי (ASD) היא מצב נוירו-התפתחותי הטרוגני המאופיין בליקויים בתקשורת חברתית ודפוסי התנהגות מוגבלים או חוזרים על עצמם1. התקדמות אחרונה בלמידת מכונה (ML) ולמידה עמוקה (DL) אפשרה ניתוח של מודאליות נתונים מגוונות הקשורות ל-ASD, כולל הדמיה עצבית, הערכות התנהגותיות, אותות פיזיולוגיים וסמנים ביולוגיים. החלקים הבאים מסכמים התפתחויות מרכזיות במחקר ASD מבוסס למידת למידת למידה/DL בהתאם למודאליות נתונים, גישה מתודולוגית ויישום קליני1.
גישות מבוססות הדמיה מוחית
הדמיית תהודה מגנטית פונקציונלית (fMRI) ואלקטרואנצפלוגרפיה (EEG) הן בין המודאליות הנפוצות ביותר לסיווג ASD באמצעות גישות למידת מכונה (ML) ולמידה עמוקה (DL). גופטה ואחרים פיתחו מודל רשת עצבית קונבולוציונית כמותית (Q-CNN) לסיווג נתוני fMRI ממאגר הנתונים ABIDE-1, והשיג דיוק של 98%. המחקר השתמש בהטמעת מרחב משיק לצורך חילוץ תכונות ולמידה משולבת (FL) לשמירה על פרטיות הנתונים, והדגים את הפוטנציאל של מסגרות אבחון קלות משקל ושומרות פרטיות ליישומים אמיתיים. באופן דומה, ג'או ואח'הציגו מסגרת רשת קישוריות פונקציונלית מבוססת אשכולות מסדר גבוה (Ho-FCN) שתפסה אינטראקציות דינמיות בין אזורים מוחיים שונים והגיעה לדיוק של 86.2%.
ההסבר הפך לשיקול חשוב באימוץ קליני של מודלים אבחנתיים מבוססי נוירו-דימג'ינג. יונג ואח' הציגו מסגרת בחירת אזור עניין מונחה הסבר (ROI) שזיהתה אסוציאציות פונקציונליות ברמה גבוהה בין אזורי מוח והצטיינה על מודלים קונבנציונליים קונבנציונליים של קישוריות פונקציונלית מסדר נמוך. בנוסף, Han ואחרים חקרומסגרת מולטימודלית ששילבה נתוני EEG ומעקב עיניים (ET) באמצעות מקודדים אוטומטיים מוערמים ומסירים רעשים. על ידי שילוב מידע נוירופיזיולוגי והתנהגותי משלים, הגישה המוצעת השיגה שיפור בביצועי האבחון בהשוואה לשיטות חד-מודליות.
ניתוח התנהגותי ומבט
נתוני התנהגות, במיוחד דפוסי תנועות עיניים והבעות פנים, נחקרו רבות כאינדיקטורים אובייקטיביים לתכונות הקשורות ל-ASD. ארטירן ואח' פיתחו מערכת הערכה מבוססת מציאות מדומה (VR) להערכת התנהגות המבט במהלך ראיונות עבודה מדומים. באמצעות טכניקות מתקדמות של עיבוד אותות ואשכולות, המחקר סיפק תובנות לגבי הוויסות החברתי של המבט בקרב אנשים נוירוטיפיים ונוירודיברסיים. באופן דומה, ג'אנג ואחרים השתמשו בדינמיקת פנים ובטכניקות למידה עם צילום מעט כדי לסווג תכונות ASD מסרטוני ראיונות עם לוח זמנים אבחנתי לאוטיזם (ADOS), והשיגו דיוק של 91.72%.
גישות סקר מוקדמות הראו גם פוטנציאל משמעותי לזיהוי ASD. ליו ואחרים אישרו פרוטוקול תגובה להוראות (RTI) מבוסס ראייה לפעוטות ודיווחו על הסכמה של 95% עם האבחנות הקליניות. יחד, מחקרים אלו מדגישים את הפוטנציאל של ניתוח התנהגותי מבוסס למידת מכונה לשיפור ההרחבה, האובייקטיביות והאוטומציה של סינון והערכה של ASD.
שיטות רב-מודליות והיברידיות
שילוב מודאליות נתונים הטרוגניות משפר את החוסן וההכללה של מודלים לסיווג ASD. Han ואחרים פיתחו מסגרת מולטימודלית ששילבה נתוני EEG ומעקב עיניים (ET), והדגימה שיפור בביצועי האבחון באמצעות מידע נוירופיזיולוגי והתנהגותי משלים. באופן דומה, שיאו ואח' השתמשו בהדמיית תהודה מגנטית מבנית (MRI) כדי להפיק תכונות שטף רב-רמות הקשורות ל-ASD. מסגרת הלמידה הממוקסמת של נורמות הייצוג שלהם התמודדה עם אתגרים הקשורים להטרוגניות נתונים ולמרחבי תכונות מממדיים גבוהים, והשיגה שטח מתחת לעקומה (AUC) של 0.907.
גישות היברידיות המשלבות מידע ביולוגי וסביבתי צמחו גם הן כאסטרטגיות מבטיחות לאבחון ASD. פרלטה-מרזל ואח' ניתחו פרופילי מיקרוביום במעי באמצעות בחירת תכונות קבוצה רקורסיבית (REFS), זיהו טקסונים חיידקיים הקשורים לאוטיזם והגיעו ל-AUC של 0.816. יחד, מחקרים אלו מדגישים את הפוטנציאל של מסגרות רב-מודליות והיברידיות לשפר את דיוק האבחון על ידי שילוב מקורות מידע משלימים מעבר לנתוני נוירו-דימות קונבנציונליים בלבד.
חידושים חישוביים
מספר מחקרים התמקדו בשיפור היעילות החישובית, היכולת להרחבה והחוסן של מודלים אבחנתיים של ASD. סרוואני וקופוסמי12 פיתחו רשת עצבית קונבולוציונית עמוקה (DCNN) אופטימליתית משולבת עם אלגוריתם אופטימיזציה של Dipper-Throated Particle Swarm Optimization (DTPSO), והשיגה דיוק של 95.9%. המסגרת המוצעת שיפרה את ביצועי אופטימיזציה וסיווג תכונות, והדגימה את הפוטנציאל של טכניקות אופטימיזציה היברידיות לזיהוי ASD.
מאמצים הופנו גם לפיתוח מערכות אבחון השומרות על פרטיות ויעילות במשאבים. פארוק ואח' יישמו למידה פדרטיבית (FL) לגילוי ASD, ודיווחו על דיוק של 98% לילדים ו-81% למבוגרים. על ידי אפשרות אימון מודלים מבוזר ללא שיתוף נתונים ישיר, הגישה הראתה את היתכנות פריסת מערכות אבחון ASD מבוססות בינה מלאכותית בסביבות מוגבלות משאבים ורגישות לפרטיות.
טכנולוגיות מתפתחות
טכנולוגיות מתפתחות, כולל מכשירים לבישה, מערכות סיוע וסביבות וירטואליות סוחפות, הרחיבו את היקף ההערכה וההתערבות של ASD. Jayanthi ואח' 23הציעו מערכת ניטור מבוססת למידת מכונה שהשתמשה בנתוני חיישנים פיזיולוגיים להערכת רמות לחץ אצל אנשים עם ASD, והדגיש את הפוטנציאל של טכנולוגיות לבישות לתמיכה בניטור בריאות הנפש וטיפול מותאם אישית. באופן דומה, רובלס ואחרים פיתחו פלטפורמה מבוססת מציאות מדומה (VR) לסינון וסיווג ASD, והדגימה את הערך של סביבות סוחפות להערכה התנהגותית ותמיכה באבחון.
למרות ההתקדמות הזו, מספר אתגרים ממשיכים להגביל את האימוץ הקליני הנרחב של מערכות אבחון מבוססות בינה מלאכותית. כפי שמסוכם בטבלה 2, סוגיות הקשורות להטרוגניות בנתונים, הכללת מודלים ופרשנות נותרות דאגות משמעותיות. כדי להתמודד עם מגבלות אלו, קונדה ואח' הדגישו את חשיבותם של מאגרי נתונים גדולים ורב-אתרים, בעוד פו ואח' הציעוגישות תת-סוג ספציפיות לגיל כדי ללכוד טוב יותר את ההטרוגניות ההתפתחותית של ASD. יתרה מזאת, תרגום מוצלח של כלי אבחון מבוססי למידת מכונה לפרקטיקה קלינית ידרוש פרוטוקולי אימות סטנדרטיים, מסגרות דיווח שקופות והתחשבות קפדנית בדרישות אתיות, פרטיות ורגולטוריות.
ניתוח אותות התנהגותי ופיזיולוגי
ניתוחי אותות התנהגותיים ופיזיולוגיים הפכו לגישות מבטיחות לאבחון וסקר של ASD. ג'ין ואח' ביצעו מטא-אנליזה של טכניקות למידת מכונה מבוססת וידאו ביתי ודיווחו על רגישות וסגול משותפים של 0.90 ו-0.87, בהתאמה, מה שהדגיש את הפוטנציאל של גישות ניתנות להרחבה ונגישות לגילוי מוקדם של ASD. במחקר נוסף, מנג'ור ואח' השתמשו באותות אלקטרורטינוגרמה כדי להבדיל בין ASD, הפרעת קשב וריכוז (ADHD) ואנשים מתפתחים בדרך כלל, והדגים את היעילות של סמנים פיזיולוגיים לסיווג הפרעות נוירו-התפתחותיות.
גישות אבחון מבוססות EEG הראו גם הן תוצאות מעודדות. סינג וקקר38 הציעו את מודל CSTO-DRN (Chronological Sewing Training Optimization–Deep Residual Network (CSTO-DRN) לזיהוי ASD באמצעות אותות EEG, והשיגו דיוק של 88.6% תוך התמודדות עם אתגרים הקשורים להפחתת רעש ואופטימיזציה של תכונות. באופן דומה, רדהאקרישנן ואח' פיתחו מסגרת רשת קשב גרפית ששילבה רשתות עצביות גרפיות ומנגנוני קשב לסיווג ASD מבוסס EEG, ודיווחה על דיוק של 96.2%. יחד, מחקרים אלו מדגימים את הפוטנציאל הגובר של ניתוח אותות התנהגותי ופיזיולוגי לפיתוח כלים אובייקטיביים, לא פולשניים וניתנים להרחבה לאבחון ASD.
שיטות מולטימודליות ואינטגרטיביות
טכניקות מיזוג רב-מודליות קידמו משמעותית את ניתוח ASD על ידי שילוב מקורות מידע הטרוגניים. Wang ואחרים פיתחואת מסגרת Federated Hypergraph Neural Network (FedHNN) לאבחון ASD באמצעות נתונים מולטימודליים ממאגרי נתונים רפואיים מבוזרים. המסגרת המוצעת שמרה על פרטיות הנתונים תוך שהיא עוקפת את המודלים המקומיים בדיוק האבחון, והדגימה את היתכנות מערכות האבחון השימור על הפרטיות ושיתופיות.
ניתוח מיקרוביום מעיים הפך גם הוא לשיטה מבטיחה למחקר ASD. אולאגואז-גונזלס ואחרים יישמו טכניקות למידת מכונה על נתוני הרכב מיקרוביום והגיעו לדיוק של 94.7% באמצעות מספר מוגבל של זני חיידקים. בהרחבת קו מחקר זה, Su ואח' 42 שילבו נתוני מיקרוביוטה רב-ממלכותיים ודיווחו על שטח מתחת לעקומה (AUC) של 0.91, תוך זיהוי סמנים ביולוגיים פונקציונליים הקשורים ל-ASD, כולל מסלולי ביוסינתזה של יוביקווינול-7.
בנוסף לגישות מבוססות מיקרוביום, סמנים ביולוגיים שמקורם באקוסטיקת דיבור וקול נחקרו ככלים לאבחנתיים לא פולשניים. בריאנד ואח' ניתחו תכונות אקוסטיות שנלקחו מדגימות דיבור של ילדים והגיעו לדיוק סיווג של 91% בהבחנה בין אנשים עם ASD לבין אנשים שמתפתחים בדרך כלל. ממצאים אלו מדגישים את הפוטנציאל של סמנים ביולוגיים מבוססי קול להשלים את ההערכות האבחנתיות המסורתיות ולתמוך באסטרטגיות סקר ASD נגישות יותר.
התקדמות בשיטות חישוביות
כפי שמסוכם בטבלה 3, התקדמות אחרונה במתודולוגיות חישוביות שיפרה משמעותית את האבחון והסיווג של ASD. Vidyadhari ואחרים פיתחו רשת עצבית קוונטית עמוקה (DQNN) שאופטימיזציה באמצעות אלגוריתם Fractional Social Driving Training-Based Optimization (FSDTBO) ודיווחו על דיוק של 90%. המסגרת המוצעת הדגימה את הפוטנציאל של מודלים של למידה עמוקה משודרגת אופטימיזציה לשיפור ביצועי האבחון.
באופן דומה, ג'אנג ואחרים 32 השתמשו בגישת ניתוח נתונים טופולוגי (TDA) לחילוץ תכונות ממדדי הומוגניות אזוריים והגיעו לדיוק של 96.5%, תוך ביצועים טובים יותר ממספר שיטות קונבנציונליות. המחקר הדגיש את הערך של טכניקות מתקדמות לייצוג תכונות ללכידת דפוסים נוירוביולוגיים מורכבים הקשורים ל-ASD.
מסגרות למידת מכונה היברידיות נחקרו גם הן לשיפור ביצועי בחירת המודלים וסיווג. אלקייסי ואח' העריכו 72 מודלים היברידיים של למידת מכונה במסגרת קבלת החלטות רב-קריטריונית מעורפלת ששילבה אסטרטגיות לבחירת תכונות וסיווג. ממצאיהם הצביעו על כך שגישות המבוססות על עצי החלטה והגברת גרדיאנט הן בין המסווגים היציבים ביותר, בעוד שבחירת תכונות אפקטיבית מילאה תפקיד קריטי באופטימיזציה של ביצועי המודל הכוללים.
חשיבות קלינית של מסגרות ASD רב-מודליות
למידה רב-מודלית הפכה לאסטרטגיה חשובה לשיפור ביצועי האבחון והרלוונטיות הקלינית של מערכות סיווג ASD. מכיוון ש-ASD מתבטא באופן הטרוגני בין אנשים דרך הבדלים בתקשורת חברתית, עיבוד חושי, תפקוד קוגניטיבי, ויסות התנהגותי ומאפיינים ביולוגיים, מודלים המאומנים על מודאליית נתונים אחת עשויים ללכוד רק חלק מוגבל מהמורכבות של ההפרעה. על ידי שילוב מידע מהדמיה עצבית, אלקטרואנצפלוגרפיה (EEG), מעקב עיניים, וידאו התנהגותי, פרופילי מיקרוביום, אקוסטיקה קולית ודמוגרפיה, מסגרות רב-מודליות מספקות ייצוג מקיף יותר של מאפיינים הקשורים ל-ASD.
מעבר לשיפור דיוק הסיווג, מערכות מולטימודליות תומכות בגישה אבחון מודעת יותר לפנוטיפ על ידי זיהוי ראיות מתכנסות במקורות נתונים מרובים, תוך שמירה על הבדלים קליניים משמעותיים בין יחידים. ממצאים שדווחו על ידי Han ואח' 9, Wang ואחרים 40, Su ואח' 42, Briend ואחרים 48, ואולאגאז-גונזלס ואחרים 49 מראים יחד את הערך של שילוב מודאליות משלימות לשיפור עמידות האבחון, הפרשנות והיישום הקליני. לכן, יש לראות במסגרות רב-מודליות ל-ASD לא רק כלים לשיפור ביצועים חיזויים, אלא גם כגישות שמאפשרות קבלת החלטות אבחנתיות מותאמות אישית ורלוונטיות קלינית יותר.
טכנולוגיות ויישומים מתפתחים
טכנולוגיות מתקדמות הרחיבו את תחום האבחון, ההתערבות והניטור של המטופלים ב-ASD. ג'או ואח' סקרו את יישום טכנולוגיות המציאות המורחבת (XR) להתערבויות ASD והדגישו את הפוטנציאל שלהן לתמוך בפיתוח מיומנויות קוגניטיביות, התנהגותיות וחברתיות באמצעות סביבות סוחפות ואינטראקטיביות. באופן דומה, נוגיי ואדליבן 47 חקרו את השפעת הגיל והמגדר על סיווג ASD והראו כי שילוב מידע דמוגרפי יכול לשפר את ביצועי מודלי הלמידה העמוקה.
למרות התקדמות משמעותית, מספר אתגרים ממשיכים להגביל את האימוץ הקליני הנרחב של מערכות אבחון מבוססות בינה מלאכותית. הטרוגניות בנתונים, גודל מדגם מוגבל, אימות חיצוני לא מספק, ודאגות לגבי הכללת מודלים הם מגבלות נפוצות במחקרים רבים. כדי להתמודד עם אתגרים אלו, Quillet ואח' חקרו סמנים ביולוגיים מטבולומיים הקשורים ל-ASD, בעוד ת'אפה ואח' השתמשו בנתונים קליניים רטרוספקטיביים לשיפור סיווג האבחון ועמידות המודלים. מחקרים אלו ממחישים את החשיבות של הרחבת מגוון הנתונים ושילוב סמנים ביולוגיים חדשים לשיפור אמינות המודל והרלוונטיות הקלינית.
בסך הכול, הספרות שנבדקה מדגימה את הפוטנציאל הטרנספורמטיבי של למידת מכונה ולמידה עמוקה לאבחון וניתוח ASD במגוון מודאליות נתונים. התקדמות בהדמיה עצבית, הערכת התנהגות, למידה רב-מודלית, ניתוח אותות פיזיולוגיים, מחקר מיקרוביום וסמנים ביולוגיים מבוססי קול שיפרו משמעותית את הדיוק האבחוני, היכולת להרחבה ולפרשנות. המחקר העתידי צריך להתמקד באימות רחב היקף ורב-קבוצתי, מסגרות הערכה סטנדרטיות, פרשנות משופרת ושילוב של מודאליות נתונים מגוונות לתמיכה בפיתוח מערכות אבחון ASD חזקות, ניתנות לתרגם קליני ומותאמות אישית.
ניתוח תוצאות השוואתי מתוקן
הניתוח ההשוואתי עודכן כדי להדגיש את איכות הראיות, קפדנות האימות והיישום הקליני במקום דיוק אבחנתי בלבד. מכיוון שהמחקרים שנבדקו היו שונים משמעותית במערכי נתונים, קבוצות גיל, אוכלוסיות יעד, אסטרטגיות אימות ומטרות מתודולוגיות, השוואה מספרית ישירה של מדדי ביצועים מדווחים פורשה בזהירות. במקום זאת, הסינתזה המתוקנת משלבת ביצועים חיזויים עם בשלות אימות, בדיקות חיצוניות, פרשנות אפשרית, היתכנות פריסה ומוכנות קלינית.
איור 1 מסכם את מדדי הביצועים האבחנתיים שדווחו במפורש והופקו מהמחקרים שנבדקו, כולל דיוק, רגישות וספציפיות. למרות שמחקרים רבים דיווחו על ביצועים אבחנתיים גבוהים, נצפו שונות משמעותית בין שיטות ועיצובים שונים. מספר מחקרים השיגו דיוקים של מעל 95%, אך ערכי רגישות וספציפיות דווחו לעיתים פחות עקביים, מה שמדגיש את חשיבות הערכת ביצועי האבחון באמצעות מדדים משלימים מרובים ולא דיוק בלבד.
הקשר בין דיוק מדווח לרגישות מודגם עוד באיור 2. ניתן להבחין בקשר חיובי במחקרים שונים; עם זאת, התרשים גם מראה שדיוק גבוה אינו תמיד מתייחס לרגישות גבוהה יותר באופן יחסי. ממצא זה חשוב קלינית משום שיישומי סקר ASD דורשים זיהוי כמה שיותר מקרים אמיתיים של ASD, מה שהופך את הרגישות לקריטריון הערכה קריטי לצד דיוק הסיווג הכולל.
כדי להעריך את אמינות הממצאים המדווחים, איור 3 מציג את התפלגות הבשלות האימות ואותות הסיכון להטיה בין קבוצות מודאליות עיקריות. מחקרים מבוססי הדמיה עצבית, במיוחד אלו שהשתמשו במאגרי fMRI ו-sMRI, היוו את קבוצת הראיות הגדולה ביותר אך לעיתים קרובות הסתמכו על מערכי נתונים חוזרים ומערכות אימות הדדיות. גישות פדרטיביות ורב-מודליות הראו בגרות אימות חזקה יותר יחסית משום ששילבו מקורות נתונים מרובי אתרים ואסטרטגיות אימות מגוונות יותר. לעומת זאת, פלטפורמות התערבות מבוססות XR ומספר גישות התנהגותיות הראו אימות חיצוני מוגבל, מה שהגביל את הראיות הנוכחיות לאימוץ קליני רחב היקף.
איור 4 מרחיב את הניתוח מעבר לביצועים חיזויים על ידי סיכום מוכנות קלינית ברמת השינה. הסינתזה משלבת שישה ממדים: בשלות מאגר נתונים, בשלות אימות, אימות חיצוני, פרשנות ניתוח, היתכנות פריסה ומוכנות קלינית כוללת. גישות בינה מלאכותית פדרטיבית ורב-מודליות השיגו את ציוני המוכנות הכוללים הגבוהים ביותר, משום שהפגינו שיטות אימות חזקות יותר ושיפור בקנה מידה. שיטות וידאו התנהגותיות ומבוססות מבט גם הן הראו מוכנות מבטיחה בזכות יכולת הפרשנות הגבוהה יחסית והפוטנציאל הפרסום המעשי שלהן. לעומת זאת, שיטות כמו הערכה מבוססת קול ופלטפורמות XR הראו מוכנות נמוכה יותר בשל ראיות אימות מוגבלות ואוכלוסיות מחקרים קטנות יותר.
הקשר בין מוכנות קלינית לביצועים אבחנתיים מדווחים מוצג באיור 5. התרשים מראה כי ערכי דיוק גבוהים מאוד אינם בהכרח מתורגמים למוכנות קלינית חזקה. מספר מחקרים שדיווחו על דיוקים מעל 95% נשארו ברמות מוכנות בינוניות משום שהסתמכו על מערכי נתונים קטנים, קבוצות באתר בודד, או חוסר אימות חיצוני עצמאי. לעומת זאת, מחקרים עם ביצועי אבחון מעט נמוכים יותר הראו לעיתים פוטנציאל תרגומי חזק יותר כאשר הם מלווים בפרשנות משופרת, אימות רחב יותר ומסלולי פריסה ברורים יותר.
מגבלות מתודולוגיות שזוהו בין קבוצות מודאליות מסוכמות באיור 6. חששות נפוצים כללו גודל מדגם קטן, תלות במאגרי נתונים של אתר יחיד כמו ABIDE, אימות חיצוני לא מספק, דליפת נתונים פוטנציאלית, ניתוח כיול מוגבל ואי-ודאות לגבי היתכנות הפריסה. מפת הראיות מדגישה כי קפדנות מתודולוגית ואיכות האימות נותרו מחסומים מרכזיים לתרגום קליני, למרות עידוד ביצוע אבחני. לכן, יש לקחת בחשבון אמינות ראיות לצד דיוק מדווח בעת הערכת מערכות אבחון ASD.
ניתוח תוצאות מורחב
בוצעה סינתזה רחבה יותר להשוואת השפעת מודאליות הנתונים, אסטרטגיות אלגוריתמיות, מאפייני מערכי נתונים, מסגרות פרשנות, יעילות חישובית וטכנולוגיות מתקדמות על ביצועי אבחון ASD ותרגום קליני.
איור 7 מספק סקירה משולבת של גורמים הקשורים לביצועי אבחון ASD. השוואת המודאליות מצביעה על כך שגישות רב-מודליות השיגו את הביצועים הכוללים הגבוהים ביותר, ואחריהן שיטות מבוססות נוירו-דימות. השוואות ברמת האלגוריתם מצביעות על כך שארכיטקטורות מתקדמות, כולל רשתות עצביות גרפיות ומסגרות למידה מאוחדות, הראו ביצועים חזקים בעקביות תוך התמודדות עם אתגרים הקשורים להטרוגניות נתונים ושימור פרטיות. ניתוח הקשור למערכי נתונים מראה שמאגרי נתונים גדולים ורב-אתרים בדרך כלל מניבים תוצאות יציבות וניתנות להכללה יותר מאשר קבוצות קטנות יותר. יתרה מזאת, שיטות הכוללות מנגנוני הסבר השיגו קבלה קלינית משופרת משום שסיפקו שקיפות רבה יותר בקבלת ההחלטות במודל.
מטריצות איכות הראיות המוצגות בטבלה 4 ובטבלה 5 מחזקות תצפיות אלו. מחקרים שנתמכו במאגרי נתונים גדולים יותר, נהלי אימות חזקים יותר ובדיקות חיצוניות הראו בדרך כלל ביצועים אמינים יותר מאשר מחקרים שהסתמכו אך ורק על אימות פנימי. בשתי הטבלאות, איכות הראיות עלתה כאשר מחקרים שילבו קבוצות רב-אתריות, אוכלוסיות בדיקות עצמאיות או מסגרות אימות מאוחדות. ממצאים אלו מצביעים על כך שמערכות אבחון עתידיות ל-ASD צריכות להעדיף קפדנות ואימותי ושחזוריות בנוסף לדיוק החיזוי.
טבלה 6 מסכמת את החשיבות היחסית של קריטריוני ההערכה למערכות בינה מלאכותית אבחנתית ל-ASD. רגישות, ספציפיות, אימות חיצוני, יכולת פרשנות, הערכת הוגנות וכדאיות פריסה הופיעו כגורמים קריטיים לתרגום קליני. בעוד שדיוק האבחון נשאר חשוב, הניתוח מראה שאין מדד יחיד שמספיק כדי לקבוע תועלת קלינית. במקום זאת, נדרש שילוב של ביצועים, אמינות, שקיפות וראיות אימות לאימוץ משמעותי בסביבות בריאות.
הסינתזה ברמת המודליות המוצגת בטבלה 7 ממחישה עוד יותר הבדלים בבשלות הראיות בין גישות אבחון ל-ASD. שיטות מבוססות הדמיה נוירולוגית הראו ביצועים אבחנתיים חזקים אך לעיתים קרובות הראו מגבלות הקשורות לתלות במאגרי נתונים ולאימות חיצוני. גישות התנהגותיות ומבוססות מבט הציעו שיפור בפרשנות ובהיתכנות פריסה, בעוד שמסגרות למידה רב-מודליות ופדרטרטיות הראו את האיזון החזק ביותר הכולל בין ביצועים, בגרות אימות ומוכנות קלינית. גישות מתפתחות הכוללות ניתוח מיקרוביום, סמנים קוליים-אקוסטיים ומערכות מבוססות XR עדיין מבטיחות אך דורשות מחקרי אימות רחבים יותר לפני יישום קליני נרחב.
ביחד, ממצאים אלו מראים כי עתיד הבינה המלאכותית האבחנתית של ASD צפוי להיות תלוי במסגרות רב-מודליות, מאומתות חיצונית, ניתנות לפרשנות ושומרות פרטיות, ולא באופטימיזציה של ביצועים בלבד. הסינתזה מדגישה כי המוכנות הקלינית נקבעת לא רק על ידי דיוק חיזוי אלא גם על ידי איכות האימות, השקיפות, הקנה מידה ויישום בעולם האמיתי.
Conclusions
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
סקירה זו מדגימה את התפקיד ההולך וגדל של למידת מכונה (ML) ולמידה עמוקה (DL) באבחון וניתוח של הפרעת ספקטרום האוטיזם (ASD). במחקרים שנבדקו, יושמו גישות חישוביות על מגוון מודאליות נתונים, כולל דימות תהודה מגנטית פונקציונלית (fMRI), אלקטרואנצפלוגרפיה (EEG), וידאו התנהגותי, פרופילי מיקרוביום במעי ואותות קוליים-אקוסטיים. מסווגי למידת מכונה מסורתיים, במיוחד מכונות וקטוריות תומכות (SVMs) ויערות אקראיים (RFs), נשארו בשימוש נרחב בזכות יכולת הפרשנות והיעילות שלהם על מאגרי נתונים מובנים. במקביל, ארכיטקטורות DL מתקדמות, כולל רשתות עצביות קונבולוציוניות (CNNs), רשתות עצביות גרפיות (GNNs) ומסגרות היברידיות, הראו ביצועים חזקים בהדמיה מוחית רב-ממדית ויישומים רב-מודליים.
מבין המחקרים שנבדקו, ארכיטקטורות למידה עמוקה שדווחו על ידי טורנג'סימין ואח' 37 וג'יין ואח' השיגו ביצועים אבחנתיים חזקים על מערכי נתונים נוירו-דימותיים ופיזיולוגיים. מסגרות למידה מאוחדות שהוצעו על ידי Wang ואח' וגישות AI מוסברות שדווחו על ידי Jung ואח' 10 וצ'ינג ואח' 30 הדגישו עוד יותר את החשיבות הגוברת של שמירת פרטיות, שקיפות ואמון קליני במערכות אבחון ASD. בנוסף, גישות רב-מודליות המשלבות EEG, מעקב עיניים, מיקרוביום ונתונים התנהגותיים, כפי שהודגמו על ידי Han ואח' 9, Su ואחרים 42, ואולאגאז-גונזלס ואחרים, הדגישו את הערך שבשילוב מקורות מידע משלימים כדי להתמודד עם הטבע ההטרוגני של ASD.
הממצאים מצביעים על כך שמערכות למידת מכונה ו-DL צריכות להיחשב ככלים לתמיכה קלינית בהחלטות ולא כתחליפי אבחון עצמאיים. למרות שמחקרים רבים דיווחו על ביצועי סיווג גבוהים, דיוק לבדו אינו מספיק להערכת תועלת קלינית. רגישות, ספציפיות, כיול, הוגנות, פרשנות ואימות חיצוני חשובים לא פחות בעת הערכת הפוטנציאל התרגומי של מערכות אבחון ASD. הראיות המסונכורות בסקירה זו מראות עוד כי ביצועים מדווחים חזקים אינם בהכרח מעידים על מוכנות קלינית כאשר נהלי האימות, הבדיקות החיצוניות והיתכנות הפריסה נשארים מוגבלים.
מחקר עתידי צריך להעדיף מאגרי נתונים מולטימודליים מאומתים חיצונית, מסגרות הערכה סטנדרטיות, ארכיטקטורות מודלים ניתנות לפרשנות וגישות למידה שיתופית השומרת על פרטיות. טכנולוגיות מתפתחות, כולל פלטפורמות מציאות מורחבת שנחקרו על ידי Zhao ואחרים.45 וגישות דיוק מונחות ביומרקר שנחקרו על ידי Quillet ואחרים, מציעות הזדמנויות מבטיחות להערכה והתערבות מותאמות אישית. בסופו של דבר, השילוב המוצלח של בינה מלאכותית בטיפול שגרתי ב-ASD תלוי באימות קפדני, דיווח שקוף, הערכת הוגנות, ופיתוח מערכות ניתנות להרחבה מדויקות, ניתנות לפרשנות וניתנות לפריסה קלינית.
איור 1: מדדי ביצועים השוואתיים בין מחקרי AID שנבדקו ב-ASD. התרשים מציג את ערכי הדיוק, הרגישות והספציפיות המדווחים עבור מחקרים בודדים שנכללו בסקירה, המאורגנים לפי מספר הפניה. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.
איור 2: הקשר בין דיוק מדווח לרגישות במחקרי בינה מלאכותית של ASD. גרף הפיזור ממחיש את הקשר בין דיוק אבחוני מדווח ורגישות במחקרי למידת מכונה ASD ולמידה עמוקה שנבדקו. כל סמן מייצג מחקר בודד שבו דווחו במפורש ערכי דיוק ורגישות. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.
איור 3: בגרות אימות והתפלגות סיכון להטיות בין מודאליות AI של ASD. התרשים מסכם את בשלות האימות של מחקרים במודאליות נתונים מרכזיות הקשורות ל-ASD, כולל fMRI/sMRI, EEG/ERG, וידאו/מבט/VR התנהגותי, גישות מבוססות מיקרוביום וסמנים ביולוגיים, שיטות קול-אקוסטיות, מסגרות AI פדרטיביות או רב-מודליות, ופלטפורמות התערבות מבוססות XR. המיקום האופקי של כל סמן משקף את רמת הבשלות הדומיננטית של הוולידציה, החל מאימות פנימי ועד אימות צולב/אימות חוזר, אימות למידה רב-אתרים או פדרטיבית (FL), ואימות חיצוני או חוצה קבוצות. גודל הבועה מציין את מספר המחקרים בכל קבוצת מודאליות. צורת הסמן מציינת אות סיכון להטיה. EV+ מציין ראיות חיצוניות או חוצות קבוצות חזקות יותר; EV מוגבל מציין היעדר או אימות חיצוני לא ברור. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.
איור 4: מטריצת סינתזת מוכנות קלינית בין מודאליות AI של ASD. מפת החום מסכמת ציוני סינתזה ברמת המודאליות עבור שישה ממדים הרלוונטיים לתרגום קליני: בשלות מאגר נתונים, בשלות אימות, אימות חיצוני, פרשנות ניתוח, היתכנות פריסה ומוכנות קלינית כוללת. הציונים נעים בין 1 ל-3, כאשר 1 מציין ראיות מוגבלות, 2 מציין ראיות בינוניות, ו-3 מצביע על ראיות חזקות. המטריצה מפרידה בין ביצועי המודל לבשלות קלינית. שיטה יכולה לדווח על דיוק גבוה ועדיין לקבל ציון מוכנות בינוני אם הראיות הן באתר יחיד, לא מאומתות חיצונית, או קשה ליישום. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.
איור 5: ציון סינתזת מוכנות קלינית לעומת דיוק אבחוני מדווח במחקרי בינה מלאכותית של ASD. כל נקודה מייצגת מחקר בודד הממוקם לפי ציון הסינתזה של מוכנות קלינית ודיוק מדווח במפורש. הצבעים מציינים את מודאליות הנתונים העיקרית או קטגוריית המתודולוגיה, כולל fMRI/sMRI, וידאו/מבט/VR התנהגותי, בינה מלאכותית פדרטיבית או רב-מודלית, EEG/ERG, ניתוח קול/אקוסטי, וגישות מבוססות מיקרוביום/ביומרקרים/גנים. הקו המקווקו האופקי מסמן את סף הדיוק של 90% ומצורף לצורך התייחסות ויזואלית. רק ערכי דיוק שדווחו במפורש מצוירים; מחקרים עם דיוק NR אינם מיוצגים בציר זה. התרשים מראה שדיוק גבוה מאוד אינו מצביע אוטומטית על בשלות קלינית כאשר אימות, בדיקות חיצוניות וראיות פריסה חלשות. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.
איור 6: מפת ראיות של אותות סיכון מתודולוגיים במודאליות AI של ASD. מפת החום מסכמת רמות סיכון מתודולוגיות במודאליות מרכזיות הקשורות ל-ASD, כולל fMRI/sMRI, EEG/ERG, ניתוח וידאו התנהגותי ומבט, גישות מבוססות מיקרוביום, שיטות קוליות-אקוסטיות, מסגרות AI פדרליות/רב-מודליות, ופלטפורמות התערבות מבוססות XR. רמות הסיכון סווגו כנמוכות (1), בינוניות (2) או גבוהות (3) בשל אי-ודאות בגודל המדגם, תלות באתר יחיד או ABIDE, חוסר אימות חיצוני, חששות לדליפת נתונים או התאמת יתר, הערכת הוגנות/כיול מוגבלת, ומחסומי פריסה. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.
איור 7: סיכום הגורמים המשפיעים על ביצועי אבחון בינה מלאכותית ב-ASD. הפאנלים משווים דיוק מדווח בין מודאליות נתונים, קטגוריות אלגוריתמים, גדלי מערכי נתונים, גישות פרשנות, שיטות יעילות חישובית וטכניקות בינה מלאכותית מתפתחות. ביחד, התוצאות מדגישות את השפעת הלמידה הרב-מודלית, ארכיטקטורות למידה עמוקה מתקדמות, מאפייני מערכי נתונים וחדשנות מתודולוגית על ביצועי אבחון ASD. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.
טבלה 1: קריטריוני זכאות לבחירת מחקר. טבלה זו מסכמת את קריטריוני ההכללה וההדרה שהוטלו במהלך סינון ספרות ובחירת מחקרים. הקריטריונים נועדו להבטיח רלוונטיות לאבחון וניתוח של הפרעת הספקטרום האוטיסטי (ASD) באמצעות גישות למידת מכונה (ML) ולמידה עמוקה (DL). קיצורים: ASD = הפרעת ספקטרום האוטיזם; ML = למידת מכונה; DL = למידה עמוקה; AI = בינה מלאכותית; EEG = אלקטרואנצפלוגרפיה; fMRI = דימות תהודה מגנטית פונקציונלית; MRI = הדמיית תהודה מגנטית. אנא לחצו כאן להורדת הטבלה הזו.
טבלה 2: ניתוח השוואתי של גישות למידת מכונה ולמידה עמוקה לאבחון וניתוח ASD (מחקרים [1]–[25]). טבלה זו מסכמת מחקרים [1]–[25], כולל השיטות שבהן משתמשים, ממצאים מרכזיים, חוזקות ומגבלות של גישות למידת מכונה ולמידה עמוקה לאבחון וניתוח של הפרעת ספקטרום האוטיזם (ASD). המחקרים כוללים דימות מוח, EEG, מעקב עיניים, מציאות מדומה, מיקרוביום, חישה לבישה, מולטימודלים ומסגרות למידה פדרטיבית. קיצורים: ASD = הפרעת ספקטרום האוטיזם; ML = למידת מכונה; DL = למידה עמוקה; Q-CNN = רשת עצבית קונבולוציונית קוונטית; FL = למידה מאוחדת; ET = מעקב עיניים; EEG = אלקטרואנצפלוגרפיה; VR = מציאות מדומה; Ho-FCN = רשת קישוריות פונקציונלית מסדר גבוה; FC = קישוריות פונקציונלית; ADOS = לוח תצפיות אבחנתיות לאוטיזם; ROI = אזור עניין; CNN = רשת עצבית קונבולוציונית; DTPSO = אופטימיזציה של להקת חלקיקים עם דיפר-גרון; Grad-CAM = מיפוי הפעלת מחלקות משוקלל לפי שיפוע; sMRI = הדמיית תהודה מגנטית מבנית; RAGNN = רשת עצבית אדפטיבית של גרפים אזוריים-אסימטריים; rs-EEG = אלקטרואנצפלוגרפיה במצב מנוחה; AUC = שטח מתחת לעקומה; HRV = שונות בקצב הלב; REFS = בחירת מאפיינים לאנסמבל רקורסיבי; RF = יער אקראי; SMOTE = טכניקת דגימת יתר של מיעוטים סינתטיים; ABIDE = החלפת נתוני הדמיית מוח באוטיזם. אנא לחצו כאן להורדת הטבלה הזו.
טבלה 3: ניתוח השוואתי של מסגרות אבחון מתקדמות ומתקדמות ל-ASD (מחקרים [26]–[50]). טבלה זו מסכמת את המחקרים [26]–[50], כולל השיטות שבהן משתמשים, ממצאים מרכזיים, חוזקות ומגבלות של גישות אבחון מתקדמות ל-ASD. המחקרים כוללים למידה רב-מודלית, סמנים ביולוגיים, ניתוח EEG/fMRI, פרופיל מיקרוביום, למידה פדרטיבית, רשתות עצביות גרפיות, מציאות מורחבת (XR) ומסגרות בינה מלאכותית מתפתחות נוספות. קיצורים: ASD = הפרעת ספקטרום האוטיזם; ML = למידת מכונה; MRI = הדמיית תהודה מגנטית; fMRI = דימות תהודה מגנטית פונקציונלית; EEG = אלקטרואנצפלוגרפיה; ERG = אלקטרורטינוגרמה; ADHD = הפרעת קשב וריכוז/היפראקטיביות; TFS = ניתוח ספקטרום זמן-תדר; TDA = ניתוח נתונים טופולוגי; ReHo = הומוגניות אזורית; DNN = רשת עצבית עמוקה; TD = מתפתח בדרך כלל; ISAA = סולם הודי להערכת אוטיזם; DCD = הפרעת תיאום התפתחותית; XWT = טרנספורמציית גל רוחב; CSTO-DRN = אופטימיזציה כרונולוגית של אימון תפירה–רשת שארית עמוקה; MCDM = קבלת החלטות רב-קריטריות; FedHNN = רשת עצבית היפרגרף מאוחדת; FL = למידה מאוחדת; GNN = רשת עצבית גרפית; AUC = שטח מתחת לעקומה; CNN = רשת עצבית קונבולוציונית; LSTM = זיכרון קצר טווח ארוך; XR = מציאות מורחבת; MR = מציאות מעורבת; DQNN = רשת עצבית קוואנטית עמוקה; FSDTBO = אופטימיזציה מבוססת אימון נהיגה חברתית חלקית; AUROC = שטח מתחת לעקומת מאפיין ההפעלה של המקלט; DSM = מדריך אבחוני וסטטיסטי להפרעות נפשיות; ABIDE = החלפת נתוני הדמיית מוח באוטיזם. אנא לחצו כאן להורדת הטבלה הזו.
טבלה 4: מטריצת ביצועים השוואתית ואיכות ראיות מתוקנת למחקרים [1]–[25]. טבלה זו מפרידה בין ביצועים חזויים לאיכות הראיות על ידי שילוב בשלות הוולידציה, מצב האימות החיצוני, יישום קליני ומגבלות מתודולוגיות משמעותיות. המסגרת תומכת בהערכה מאוזנת יותר של אמינות המחקר ופוטנציאל התרגום. קיצורים: ASD = הפרעת ספקטרום האוטיזם; AUC = שטח מתחת לעקומה; AUROC = שטח מתחת לעקומת מאפיין ההפעלה של המקלט; EEG = אלקטרואנצפלוגרפיה; fMRI = דימות תהודה מגנטית פונקציונלית; MRI = הדמיית תהודה מגנטית; FL = למידה מאוחדת; XAI = בינה מלאכותית ניתנת להסבר; NR = לא דווח. אנא לחצו כאן להורדת הטבלה הזו.
טבלה 5: מטריצת ביצועים השוואתית ואיכות ראיות מעודכנת למחקרים [26]–[50]. טבלה זו מרחיבה את הערכת איכות הראיות למחקרים 26–50 וכוללת מגבלות מתודולוגיות, קפדנות אימות, פרשנות וכדאיות פריסה לצד ביצועים אבחנתיים מדווחים. קיצורים: ASD = הפרעת ספקטרום האוטיזם; ML = למידת מכונה; DL = למידה עמוקה; EEG = אלקטרואנצפלוגרפיה; ERG = אלקטרורטינוגרמה; AUC = שטח מתחת לעקומה; AUROC = שטח מתחת לעקומת מאפיין ההפעלה של המקלט; XR = מציאות מורחבת; FL = למידה מאוחדת; NR = לא דווח. אנא לחצו כאן להורדת הטבלה הזו.
טבלה 6: עדיפות קריטריוני הערכה למחקרי בינה מלאכותית אבחנתית של ASD. טבלה זו מדרגת את החשיבות היחסית של קריטריוני הערכה למערכות בינה מלאכותית לאבחון ASD, ומדגישה את ההבחנה בין ביצועים חיזויים ליישום קליני. המסגרת מדגישה גורמים הנחוצים לתרגום אמין לסביבות רפואיות אמיתיות. קיצורים: ASD = הפרעת ספקטרום האוטיזם; AI = בינה מלאכותית; AUC = שטח מתחת לעקומה; AUROC = שטח מתחת לעקומת מאפיין ההפעלה של המקלט; XAI = בינה מלאכותית ניתנת להסבר; ML = למידת מכונה; DL = למידה עמוקה. אנא לחצו כאן להורדת הטבלה הזו.
טבלה 7: טבלת סינתזה מובנית מרוכזת המפרידה בין ביצועים לאיכות ראיות. טבלה זו מסכמת ראיות ברמת מודאליות במחקרים שנבדקו, כולל ביצועים אבחנתיים מדווחים, בגרות אימות, מוכנות קלינית ומגבלות מתודולוגיות משמעותיות. הסינתזה מדגישה הבדלים בפוטנציאל התרגומי בין גישות אבחון ל-ASD. קיצורים: ASD = הפרעת ספקטרום האוטיזם; fMRI = דימות תהודה מגנטית פונקציונלית; sMRI = הדמיית תהודה מגנטית מבנית; EEG = אלקטרואנצפלוגרפיה; ERG = אלקטרורטינוגרמה; VR = מציאות מדומה; XR = מציאות מורחבת; AI = בינה מלאכותית; AUC = שטח מתחת לעקומה; AUROC = שטח מתחת לעקומת מאפיין ההפעלה של המקלט; NR = לא דווח. אנא לחצו כאן להורדת הטבלה הזו.
Disclosures
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
המחברים מצהירים כי אין להם ניגודי עניינים הקשורים לעבודה זו.
Acknowledgements
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
המחברים רוצים להודות לאוניברסיטת VIT-AP על סיפוק הסביבה האקדמית והמשאבים שתמכו בעבודה זו. המחברים גם מעריכים את התרומות החשובות של חוקרים שמחקריהם נכללו בסקירה זו. מחקר זה לא קיבל מימון חיצוני.
Reprints and Permissions
Request permission to reuse the text or figures of this JoVE article
Request Permission