Una revisione approfondita dei metodi di machine learning e deep learning per la diagnosi e l'analisi dei disturbi dello spettro autistico

Summary

Questa revisione valuta 50 studi recenti che applicano il machine learning e il deep learning alla diagnosi del disturbo dello spettro autistico (ASD). Approcci multimodali che integrano neuroimaging, dati comportamentali e biologici hanno dimostrato un miglioramento delle prestazioni. Le sfide principali includono interpretabilità, scalabilità ed eterogeneità dei dati. Gli sforzi futuri dovrebbero concentrarsi su sistemi di IA spiegabili, che preservino la privacy e che siano clinicamente traducibili.

Abstract

Il disturbo dello spettro autistico (ASD) è una condizione neuroevolutiva eterogenea caratterizzata da profili comportamentali, cognitivi, sensoriali e comunicativi diversi, rendendo difficili la diagnosi precoce e l'intervento personalizzato. I recenti progressi nel machine learning (ML) e nel deep learning (DL) hanno permesso lo sviluppo di strumenti computazionali per lo screening, la classificazione, la valutazione della gravità e il monitoraggio degli interventi dell'ASD. Questa revisione sintetizza i risultati di 50 studi recenti che hanno applicato tecniche di ML e DL a dataset correlati all'ASD, inclusi elettroencefalografia (EEG), eye-tracking, video comportamentali, microbioma, acustica vocale, dati demografici e multimodali. La revisione affronta tre domande chiave: (i) quali modalità di dati e approcci computazionali sono più frequentemente utilizzati, (ii) come vengono valutate le prestazioni diagnostiche attraverso diversi disegni di studio e (iii) quali sfide metodologiche limitano la traduzione clinica. La letteratura è organizzata in base alla modalità dei dati, all'approccio algoritmico e alla prontezza clinica. Gli approcci esaminati includono metodi convenzionali di ML, reti neurali convoluzionali, reti neurali a grafi, architetture ibride di deep learning, apprendimento federato, intelligenza artificiale spiegabile, analisi topologica dei dati e fusione multimodale. I risultati suggeriscono che gli approcci multimodali e basati su grafi forniscono una rappresentazione più completa dei fenotipi ASD rispetto ai metodi monomodali. L'apprendimento spiegabile e la preservazione della privacy sono emersi anche come considerazioni importanti per l'impiego clinico. Tuttavia, molti modelli ad alte prestazioni segnalati si basano su dimensioni di campioni ridotte, uso ripetuto del dataset ABIDE, squilibri di classe, validazione su sito singolo o test esterni limitati, sollevando preoccupazioni riguardo alla generalizzabilità. Oltre all'accuratezza diagnostica, questa revisione valuta l'interpretabilità del modello, la calibrazione, la scalabilità, il rigore della validazione e l'applicabilità clinica. Nel complesso, l'analisi evidenzia la necessità di benchmark standardizzati, dataset multimodali validati esternamente, metriche di valutazione clinicamente rilevanti e sistemi di supporto decisionale che completino piuttosto che sostituiscano la valutazione clinica esperta nella diagnosi e gestione dell'ASD.

Introduction

Il disturbo dello spettro autistico (ASD) è una complessa condizione neuroevolutiva caratterizzata da deficit nella comunicazione sociale, interessi limitati e comportamenti ripetitivi. La natura eterogenea dell'ASD e la sua sovrapposizione con altri disturbi neuroevolutivi rendono la diagnosi e la valutazione clinica particolarmente impegnative. Gli approcci diagnostici tradizionali si basano principalmente su osservazioni comportamentali e valutazioni cliniche, che possono contribuire a un ritardo nella diagnosi e alla variabilità degli esiti clinici. L'identificazione precoce e accurata dell'ASD è essenziale perché un intervento tempestivo ha dimostrato di migliorare significativamente il funzionamento cognitivo, sociale e adattivo. I recenti progressi nell'intelligenza artificiale (IA), in particolare nel machine learning (ML) e nel deep learning (DL), hanno ampliato le opportunità di sviluppare approcci oggettivi e basati sui dati per la diagnosi e l'analisi^{dell'ASD 1,2,3}.

Le tecniche di ML e DL permettono l'analisi di dataset ad alta dimensione derivati da risonanza magnetica funzionale (fMRI), elettroencefalografia (EEG), eye-tracking, valutazioni comportamentali, segnali del parlato e altri marcatori biologici. Questi approcci hanno dimostrato un notevole potenziale per lo screening, la classificazione, la previsione della gravità e il monitoraggio degli interventi per l'ASD. Studi recenti hanno riportato risultati incoraggianti utilizzando modelli basati su neuroimaging, analisi comportamentale, framework di apprendimento multimodale e architetture che preservano la privacy per il rilevamento e la valutazione ^{dell'ASD 4,5,6}. Tuttavia, il corpus letterario in rapida espansione rimane altamente frammentato perché molti studi si concentrano su modalità dati individuali, algoritmi specifici o obiettivi clinici isolati, rendendo difficile il confronto diretto di metodologie e risultati.

Nonostante i progressi sostanziali, diverse sfide continuano a limitare la traduzione clinica dei sistemi diagnostici ASD basati su IA. Molti modelli pubblicati sono sviluppati utilizzando dataset relativamente piccoli, coorti a sito singolo o procedure di validazione limitate, sollevando preoccupazioni riguardo alla generalizzabilità e all'applicabilità nel mondo reale. Inoltre, questioni relative all'interpretabilità, all'efficienza computazionale, alla scalabilità, all'equità e alla privacy dei dati restano importanti barriere all'adozione clinica. Le revisioni esistenti si sono tipicamente concentrate su metodologie specifiche o singole fonti di dati, spesso trascurando le relazioni più ampie tra modalità dei dati, progettazione algoritmica, rigore di validazione e prontezza clinica.

Per colmare queste lacune, questa revisione di ambito sintetizza evidenze provenienti da 50 studi recenti che hanno applicato tecniche di machine learning (ML) e deep learning (DL) alla diagnosi e analisi del disturbo dello spettro autistico (ASD). La letteratura revisionata comprende un ampio spettro di approcci computazionali e modalità di data, inclusi metodi basati su neuroimaging che utilizzano risonanza magnetica funzionale e strutturale (fMRI/sMRI), elettroencefalografia (EEG), analisi comportamentale e dello sguardo, elaborazione fisiologica del segnale, valutazione del parlato e acustico vocale, biomarcatori basati sul microbioma e framework di apprendimento multimodale. Studi recenti hanno esplorato approcci convenzionali di machine learning come le macchine a vettori di supporto e le foreste casuali, oltre a architetture avanzate di deep learning tra cui reti neurali convoluzionali, reti neurali a grafo, transfer learning, modelli basati sull'attenzione, framework di apprendimento federato, intelligenza artificiale spiegabile e approcci di analisi topologica^{dei dati} 1,2,3,4,5,6 ^,7,8,9,10,11,12,13,14,15,16.

Gli studi esaminati dimostrano inoltre la crescente diversità delle fonti di dati e degli obiettivi analitici legati all'ASD. Le indagini hanno esaminato l'eterogeneità neuroanatomica, i modelli di connettività funzionale, la valutazione comportamentale, lo screening basato sulla realtà virtuale, il monitoraggio fisiologico, l'analisi EEG, la classificazione basata su elettroretinogramma, il profiling del microbioma, la metabolomica, l'acustica del linguaggio e la fusione multimodale dei dati per la diagnosi, la previsione della gravità, il monitoraggio dell'intervento e l'identificazione dei sottotipi 17,18,19,20. 21,22,23,24,25,26,27,28,29,30,31,32,33,34,35 . Questi sviluppi riflettono uno spostamento dai modelli diagnostici monomodali verso quadri integrativi capaci di catturare le manifestazioni cliniche eterogenee dell'ASD.

Oltre a riassumere la performance diagnostica, questa revisione valuta la relazione tra modalità dei dati, progettazione algoritmica, rigore di validazione, interpretabilità, scalabilità e applicabilità clinica. Si presta particolare attenzione agli approcci emergenti come l'apprendimento federato, la modellazione basata su grafi, la fusione multimodale, l'intelligenza artificiale spiegabile, i framework di apprendimento che preservano la privacy, le tecnologie di realtà estesa e la diagnostica di precisione guidata da^{biomarcatori 36,37,38,39,40,41,42,43,44,} 45,46,47,48,49,50. Integrando le evidenze attraverso modalità, algoritmi e strategie di validazione, questa revisione fornisce un benchmark strutturato delle tecnologie diagnostiche attuali dell'ASD, mettendo in evidenza punti di forza metodologici, limitazioni e considerazioni sulla qualità delle evidenze. L'analisi va oltre l'accuratezza riportata includendo interpretabilità, validazione esterna, prontezza clinica e fattibilità di implementazione, offrendo così un quadro per valutare il potenziale traslazionale dei sistemi diagnostici ASD guidati dall'IA. In definitiva, questa revisione mira a identificare le tendenze attuali della ricerca, evidenziare le lacune esistenti e delineare le direzioni future per lo sviluppo di soluzioni di IA scalabili, interpretabili e clinicamente traducibili per la valutazione e la gestione dell'ASD.

Metodologia di revisione

Questo studio è stato condotto come revisione di ambito per fornire una panoramica completa degli approcci recenti di machine learning (ML) e deep learning (DL) applicati alla diagnosi e analisi del disturbo dello spettro autistico (ASD). È stata scelta una metodologia di revisione a scoping perché la letteratura disponibile è altamente eterogenea tra modalità dati, obiettivi clinici, quadri algoritmici, dataset, strategie di validazione e misure di risultato riportate.

Gli studi esaminati hanno coinvolto un'ampia gamma di fonti di dato, tra cui neuroimaging, elettroencefalografia (EEG), eye-tracking, valutazioni comportamentali, segnali del linguaggio, profili del microbioma e dataset multimodali. Poiché esistevano differenze sostanziali tra popolazioni di studio, standard di riferimento, metriche di performance e disegni sperimentali, una meta-analisi quantitativa è stata ritenuta inappropriata. Invece, l'obiettivo di questa revisione era mappare il panorama attuale della ricerca, identificare le tendenze metodologiche, confrontare gli approcci computazionali, valutare la qualità delle evidenze e valutare la prontezza clinica dei sistemi ML e DL per la diagnosi e il monitoraggio dell'ASD.

Gli studi inclusi sono stati analizzati in base alla modalità dei dati, alla metodologia di machine learning, alla strategia di validazione, alle prestazioni diagnostiche, all'interpretabilità, alla scalabilità e al potenziale di traduzione clinica. Particolare attenzione è stata data ad aree emergenti come l'apprendimento multimodale, l'intelligenza artificiale spiegabile, l'apprendimento federato, la modellazione basata su grafi e i framework diagnostici che preservano la privacy.

Domande di ricerca

Questa revisione di ambito è stata guidata da tre domande generali. Innanzitutto, ha esaminato quali modalità di dati correlate all'ASD e approcci di machine learning/deep learning (ML/DL) siano stati più frequentemente impiegati per screening, diagnosi, previsione della gravità e monitoraggio degli interventi. In secondo luogo, ha valutato come le prestazioni del modello, le strategie di validazione, l'interpretabilità e la scalabilità siano state riportate nei recenti studi sull'intelligenza artificiale ASD. In terzo luogo, ha indagato i limiti metodologici, le preoccupazioni relative alla qualità delle evidenze e le barriere alla traduzione clinica che continuano a influenzare l'adozione di sistemi basati su ML/DL per la diagnosi e la gestione dell'ASD. Collettivamente, queste domande forniscono un quadro per sintetizzare le tendenze attuali della ricerca, valutare i punti di forza e le debolezze degli approcci esistenti e identificare priorità per lo sviluppo futuro di soluzioni di IA clinicamente applicabili per l'ASD.

Strategia di ricerca e fonti informative

È stata condotta una ricerca nella letteratura su IEEE Xplore, PubMed/MEDLINE, Scopus, Web of Science, ScienceDirect, SpringerLink e Google Scholar. La ricerca si è concentrata su studi pubblicati tra il 2022 e il 2025 per raccogliere i recenti progressi nel machine learning (ML), deep learning (DL), aprendaggio federato, reti neurali a grafo, fusione multimodale e intelligenza artificiale spiegabile (XAI) per la diagnosi e analisi del disturbo dello spettro autistico (ASD).

La strategia di ricerca combinava termini relativi all'ASD, metodologie di intelligenza artificiale, obiettivi diagnostici e modalità di dati. La query di ricerca principale includeva i termini: ("disturbo dello spettro autistico" O ASD O autismo) E ("machine learning" O "deep learning" O "intelligenza artificiale" O CNN O GNN O SVM o "foresta casuale" O "apprendimento federato" O "intelligenza artificiale spiegabile") E (diagnosi O screening O classificazione O previsione O gravità O intervento) E (fMRI o RM o EEG o "eye tracking" o video O microbioma O voce O multimodale). La sintassi di ricerca è stata adattata secondo necessità per i singoli database.

Per migliorare la copertura degli studi e ridurre il rischio di mancanza di pubblicazioni rilevanti, le liste di riferimento degli articoli di revisione idonei e degli studi di ricerca primaria sono stati controllati manualmente per ulteriori registri. L'ultimo insieme di studi è stato selezionato sulla base dei criteri di idoneità predefiniti descritti di seguito.

Criteri di ammissibilità

Gli studi sono stati selezionati secondo criteri predefiniti di inclusione ed esclusione per garantire la rilevanza per applicazioni di machine learning e deep learning focalizzate sull'ASD, la qualità metodologica e l'applicabilità clinica. I criteri di idoneità utilizzati per la selezione degli studi sono riassunti nella Tabella 1.

Procedura di screening

I titoli e gli abstract dei record recuperati sono stati inizialmente esaminati per valutarne la rilevanza per il disturbo dello spettro autistico (ASD), le metodologie dell'intelligenza artificiale e gli obiettivi diagnostici o analitici. Gli articoli a testo completo sono stati successivamente esaminati per confermare l'idoneità e per estrarre informazioni riguardanti le popolazioni di studio, le fonti di dati, gli approcci computazionali, le strategie di validazione e le misure di esito riportate. I record duplicati e gli studi con contenuti sovrapposti sono stati esclusi prima della sintesi finale. Quando più studi utilizzavano lo stesso dataset (ad esempio, ABIDE), venivano mantenuti solo studi con architetture di modello distinte, rappresentazioni di caratteristiche, framework di validazione o obiettivi clinici per evitare ridondanza e garantire una valutazione completa della diversità metodologica.

Estrazione e sintesi dei dati

I dati sono stati estratti da ciascuno studio incluso utilizzando un approccio strutturato. Le informazioni estratte includevano autore e anno di pubblicazione, modalità dei dati, dataset o fonte, dimensione del campione quando disponibile, popolazione target o fascia d'età, compito correlato all'ASD, algoritmo o tipo di modello, metodo di estrazione delle caratteristiche, strategia di validazione, metriche di performance riportate, approccio interpretabile, stato di validazione esterna, limitazioni dichiarate e applicabilità clinica. Gli studi sono stati poi sintetizzati in base alla modalità dei dati, alla categoria algoritmica, allo scopo clinico, al disegno di validazione e alla qualità delle evidenze, invece di essere classificati esclusivamente in base alle prestazioni riportate.

Valutazione della qualità e valutazione del rischio di pregiudizio

È stata condotta una valutazione metodologica per valutare il potenziale bias, la qualità delle evidenze e la prontezza clinica. Ogni studio è stato valutato in base all'adeguatezza della dimensione del campione, all'equilibrio delle classi, alla dipendenza da dataset di benchmark ripetuti come ABIDE, al rischio di perdita di dati tra le fasi di pre-elaborazione e validazione, al tipo di validazione incrociata o esterna, alla reportistica della calibrazione, all'equità demografica per età e genere, all'interpretabilità, alla riproducibilità e alla fattibilità del deployment. Gli studi che riportavano un'accuratezza molto elevata venivano interpretati con cautela a meno che non fossero supportati da una dimensione adeguata, test indipendenti, procedure di controllo delle perdite e metodi di validazione trasparenti.

Rendicontazione delle metriche di performance

Il confronto rivisto includeva solo metriche esplicitamente riportate negli studi originali. Quando una metrica non era disponibile, veniva contrassegnata come NR, indicando "non riportata", invece di essere stimata o approssimata. I confronti tra studi sono stati interpretati qualitativamente perché gli studi inclusi differivano sostanzialmente per dimensione del dataset, obiettivo clinico, strategia di validazione, metodologia, fascia d'età e standard di riferimento. Pertanto, i valori di accuratezza riportati non sono stati trattati come indicatori direttamente comparabili della superiorità del modello. Le tabelle aggiornate distinguono la performance predittiva dalla qualità delle prove includendo la popolazione target, la dimensione del dataset, il metodo di validazione, lo stato di validazione esterna e i limiti chiave.