本レビューでは、機械学習と深層学習を自閉症スペクトラム障害(ASD)診断に適用した50件の最近の研究を評価します。神経画像、行動データ、生物学的データを統合したマルチモーダルアプローチにより、性能が向上しました。主な課題には、解釈可能性、スケーラビリティ、データの異種性が含まれます。今後の取り組みは、説明可能でプライバシー保護が可能で臨床的に翻訳可能なAIシステムに焦点を当てるべきです。
このコンテンツを表示するには、JoVEへの購読が必要です。 または、無料トライアルをお申し込みください。
本レビューでは、機械学習と深層学習を自閉症スペクトラム障害(ASD)診断に適用した50件の最近の研究を評価します。神経画像、行動データ、生物学的データを統合したマルチモーダルアプローチにより、性能が向上しました。主な課題には、解釈可能性、スケーラビリティ、データの異種性が含まれます。今後の取り組みは、説明可能でプライバシー保護が可能で臨床的に翻訳可能なAIシステムに焦点を当てるべきです。
自閉症スペクトラム障害(ASD)は、多様な行動、認知、感覚、コミュニケーションプロファイルを特徴とする多様な神経発達状態であり、早期診断や個別化介入が困難です。機械学習(ML)および深層学習(DL)の最近の進歩により、ASDスクリーニング、分類、重症度評価、介入モニタリングのための計算ツールの開発が可能になりました。本レビューは、MLおよびDL技術をASD関連データセット(脳波計)、視線追跡、行動ビデオ、マイクロバイオーム、音声音響、人口統計、マルチモーダルデータなどに適用した50件の最近の研究結果を統合します。レビューは3つの主要な問いに取り組んでいます:(i) どのデータモダリティや計算手法が最も頻繁に用いられるか、(ii) 異なる研究デザインにおける診断性能の評価方法、(iii) 臨床翻訳を制限する方法論的課題。文献はデータモダリティ、アルゴリズム的アプローチ、臨床準備度に基づいて整理されています。検討されたアプローチには、従来型機械学習手法、畳み込みニューラルネットワーク、グラフニューラルネットワーク、ハイブリッド深層学習アーキテクチャ、連邦学習、説明可能な人工知能、位相データ解析、マルチモーダル融合などがあります。これらの発見は、マルチモーダルおよびグラフベースのアプローチが、単一モーダリティ手法よりもASDの表現型をより包括的に表現することを示唆しています。説明可能性やプライバシー保護の学習も臨床導入において重要な考慮事項として浮上しています。しかし、報告されている多くの高性能モデルは、サンプルサイズが少ないこと、ABIDEデータセットの繰り返し使用、クラスの不均衡、単一サイト検証、または限定的な外部テストに基づいており、一般化可能性に懸念が生じています。診断の正確性を超えて、本レビューではモデルの解釈可能性、校正、スケーラビリティ、検証の厳密さ、臨床的応用性も評価します。全体として、この分析は標準化されたベンチマーク、外部検証済みのマルチモーダルデータセット、臨床的に関連性の高い評価指標、そしてASD診断・管理における専門的な臨床評価を補完する意思決定支援システムの必要性を強調しています。
自閉症スペクトラム障害(ASD)は、社会的コミュニケーションの障害、興味の制限、反復行動を特徴とする複雑な神経発達障害です。ASDの多様性と他の神経発達障害との重なりは、診断や臨床評価を特に困難にしています。従来の診断アプローチは主に行動観察や臨床評価に依存しており、診断の遅れや臨床転帰の変動に寄与する可能性があります。ASDの早期かつ正確な発見は不可欠です。なぜなら、適時の介入が認知的、社会的、適応的機能を大幅に改善することが示されているからです。人工知能(AI)、特に機械学習(ML)や深層学習(DL)の最近の進展により、ASDの診断と分析における客観的かつデータ駆動型のアプローチ開発の機会が拡大しました(1,2,3)。
MLおよびDL技術により、機能的磁気共鳴画像法(fMRI)、心波計(EEG)、視線追跡、行動評価、音声信号、その他の生物学的マーカーから得られる高次元データセットの解析が可能になります。これらのアプローチは、ASDのスクリーニング、分類、重症度予測、介入モニタリングにおいて大きな可能性を示しています。最近の研究では、神経画像モデル、行動分析、マルチモーダル学習フレームワーク、プライバシー保護アーキテクチャを用いたASD検出・評価の有望な結果が報告されています。しかし、急速に増え続ける文献は依然として非常に断片的であり、多くの研究が個別のデータモダリティ、特定のアルゴリズム、または孤立した臨床目的に焦点を当てているため、方法論や結果の直接比較が困難です。
大きな進展があるにもかかわらず、AIベースのASD診断システムの臨床応用を制限するいくつかの課題が依然として存在しています。多くの公開モデルは比較的小規模なデータセット、単一サイトコホート、限定的な検証手順で開発されており、一般化可能性や現実世界での適用性に懸念が生じています。さらに、解釈可能性、計算効率、スケーラビリティ、公平性、データプライバシーに関する課題も臨床採用の重要な障壁となっています。既存のレビューは、特定の手法や個別のデータソースに焦点を当てることが多く、データモダリティ、アルゴリズム設計、検証の厳密さ、臨床準備度の広範な関係を見落としがちです。
これらのギャップを埋めるために、本スコーピングレビューでは、機械学習(ML)および深層学習(DL)技術を自閉症スペクトラム障害(ASD)の診断と分析に応用した50件の最近の研究の証拠を統合します。レビューされた文献は、機能的および構造的磁気共鳴画像法(fMRI/sMRI)、脳波検査(EEG)、行動および視線解析、生理信号処理、音声・音声評価、マイクロバイオームベースのバイオマーカー、マルチモーダル学習フレームワークを用いた神経画像法に基づく手法を含む幅広い計算手法とデータモダリティを網羅しています。最近の研究では、サポートベクターマシンやランダムフォレストといった従来の機械学習手法、さらには畳み込みニューラルネットワーク、グラフニューラルネットワーク、転移学習、注意ベースモデル、連邦学習フレームワーク、説明可能な人工知能、位相データ解析手法などの高度な深層学習アーキテクチャが探求されています。1,2,3,4,5,6、7、8、9、10、11、12、13、14、15、16。
レビューされた研究は、ASD関連のデータソースや分析目標の多様性が増していることもさらに示しています。神経解剖学的異質性、機能的接続パターン、行動評価、バーチャルリアリティに基づくスクリーニング、生理学的モニタリング、EEG解析、網膜電図に基づく分類、マイクロバイオームプロファイリング、代謝学、音声音響、診断、重症度予測、介入モニタリング、サブタイプ識別のためのマルチモーダルデータ融合などが調査されています。 21,22,23,24,25,26,27,28,29,30,31,32,33,34,35 .これらの進展は、単一モダリティ診断モデルから、ASDの多様な臨床症状を捉えることができる統合的枠組みへの転換を反映しています。
診断性能の要約を超えて、本レビューではデータモダリティ、アルゴリズム設計、検証の厳密さ、解釈可能性、スケーラビリティ、臨床的応用性の関係も評価します。特に、フェデレーテッドラーニング、グラフベースモデリング、マルチモーダルフュージョン、説明可能な人工知能、プライバシー保護型学習フレームワーク、拡張現実技術、バイオマーカー駆動型精密診断などの新興アプローチに注目しています。36,37,38,39,40,41,42,43,44。45、46、47、48、49、50。モダリティ、アルゴリズム、検証戦略を横断したエビデンスを統合することで、本レビューは現在のASD診断技術の構造化されたベンチマークを提供しつつ、方法論的な強み、限界、エビデンスの質の考慮事項を強調します。分析は報告された精度を超えて解釈可能性、外部検証、臨床準備状況、展開の実現可能性も含み、AI駆動のASD診断システムの翻訳的可能性を評価するための枠組みを提供します。最終的に、本レビューは現在の研究動向を特定し、既存のギャップを明らかにし、ASD評価および管理のためのスケーラブルで解釈可能かつ臨床的に翻訳可能なAIソリューションの開発に関する今後の方向性を示すことを目的としています。
審査方法論
本研究は、自閉症スペクトラム障害(ASD)の診断と分析に応用された最近の機械学習(ML)および深層学習(DL)アプローチの包括的な概要を提供するためのスコーピングレビューとして実施されました。スコーピングレビューの手法が選ばれたのは、利用可能な文献がデータモダリティ、臨床目的、アルゴリズムフレームワーク、データセット、検証戦略、報告アウトカム指標において非常に異質であるためです。
レビュー対象の研究は、神経画像、脳波検査(EEG)、視線追跡、行動評価、音声信号、マイクロバイオームプロファイル、マルチモーダルデータセットなど幅広いデータソースを含みました。研究対象集団間、基準基準、パフォーマンス指標、実験デザイン間で大きな差があったため、定量メタアナリシスは不適切と判断されました。代わりに、本レビューの目的は、現在の研究状況をマッピングし、方法論的傾向を特定し、計算手法を比較し、エビデンスの質を評価し、ASD診断とモニタリングにおけるMLおよびDLシステムの臨床的準備状況を評価することでした。
含まれた研究は、データモダリティ、機械学習手法、検証戦略、診断性能、解釈可能性、スケーラビリティ、臨床翻訳の可能性に基づいて分析されました。特に、マルチモーダル学習、説明可能な人工知能、連邦学習、グラフベースモデリング、プライバシー保護型診断フレームワークなどの新興分野に注目しました。
研究課題
このスコーピングレビューは、3つの包括的な問いに基づいていました。まず、ASDに関連するデータモダリティおよび機械学習/深層学習(ML/DL)アプローチがスクリーニング、診断、重症度予測、介入モニタリングに最も頻繁に用いられているものを検討しました。次に、モデルのパフォーマンス、検証戦略、解釈可能性、スケーラビリティが最近のASD人工知能研究でどのように報告されているかを評価しました。第三に、ASD診断および管理におけるML/DLベースのシステムの採用に引き続き影響を及ぼす方法論的限界、エビデンス質の懸念、臨床翻訳の障壁を調査しました。これらの質問は総合的に、現在の研究動向を総合的に評価し、既存アプローチの強みと弱みを評価し、臨床的に応用可能なASDソリューションの将来の優先課題を特定するための枠組みを提供します。
検索戦略と情報源
IEEE Xplore、PubMed/MEDLINE、Scopus、Web of Science、ScienceDirect、SpringerLink、Google Scholarなどで文献検索が行われました。この検索は、2022年から2025年にかけて発表された研究に焦点を当て、機械学習(ML)、ディープラーニング(DL)、連邦学習、グラフニューラルネットワーク、マルチモーダルフュージョン、説明可能な人工知能(XAI)における自閉症スペクトラム障害(ASD)の診断と解析の最新進展を捉えています。
検索戦略はASD、人工知能手法、診断目標、データモダリティに関連する用語を組み合わせました。主な検索クエリには、「自閉症スペクトラム障害」または「ASD」または「自閉症」および「機械学習」または「深層学習」「人工知能」「CNN」「GNN」「SVM」「ランダムフォレスト」「連邦学習」または「説明可能なAI」、および(診断またはスクリーニング、分類、予測、重症度、介入)、および(fMRI、MRI、EEG、「アイトラッキング」、ビデオ、マイクロバイオーム、音声、またはマルチモーダル)が含まれていました。検索構文は個々のデータベースに応じて必要に応じて調整されました。
研究のカバレッジを改善し、関連論文の欠落リスクを減らすために、対象となるレビュー論文および一次研究の参考文献リストを手動でスクリーニングし、追加記録を確保しました。最終的な研究群は、以下に記載するあらかじめ定められた適格基準に基づいて選定されました。
適格基準
研究は、ASDに焦点を当てた機械学習および深層学習の応用、方法論的質、臨床応用への関連性を確保するため、事前に定められた包含および除外基準に基づいて選定されました。研究選定に用いられる適格基準は 表1にまとめられています。
スクリーニング手順
取得した記録のタイトルおよび要旨は、自閉症スペクトラム障害(ASD)、人工知能の手法論、診断または分析目的との関連性を評価するために最初にスクリーニングされました。その後、全文記事をレビューし、対象性の確認や研究対象集団、データソース、計算手法、検証戦略、報告アウトカム指標に関する情報抽出を行いました。重複記録や内容が重複する研究は最終合成前に除外されました。複数の研究が同じデータセット(例:ABIDE)を使用する場合、重複性を避け方法論的多様性の包括的な評価を確保するため、異なるモデルアーキテクチャ、特徴表現、検証フレームワーク、または臨床目標を持つ研究のみが残されました。
データ抽出と統合
各含まれた研究からは構造化アプローチでデータを抽出しました。抽出された情報には、著者および出版年、データモダリティ、データセットまたは出典、利用可能な場合のサンプルサイズ、対象集団または年齢層、ASD関連タスク、アルゴリズムまたはモデルタイプ、特徴抽出方法、検証戦略、報告されたパフォーマンス指標、解釈可能性アプローチ、外部検証状況、明示された制限事項、臨床的応用性が含まれていました。研究は報告されたパフォーマンスだけでランク付けされるのではなく、データモダリティ、アルゴリズムカテゴリ、臨床目的、検証デザイン、エビデンス品質に基づいて統合されました。
品質評価とバイアスリスク評価
潜在的なバイアス、エビデンスの質、臨床準備度を評価するために方法論的評価を実施しました。各研究は、サンプルサイズの適切性、クラスバランス、ABIDEなどの繰り返しベンチマークデータセットへの依存度、前処理と検証段階間のデータ漏洩リスク、クロス検証または外部検証の種類、キャリブレーション報告、年齢・性別を介した人口統計学的公平性、解釈可能性、再現性、展開の実現可能性に基づいて評価されました。非常に高い精度を報告した研究は、十分なサンプル数、独立した検査、漏れ制御手順、透明性のある検証方法がなければ慎重に解釈されました。
パフォーマンス指標の報告
修正された比較には、元の研究で明示的に報告された指標のみが含まれていました。指標が利用できない場合は、推定や近似ではなく「報告なし」と表示され、NRとマークされました。含まれた研究はデータセットの規模、臨床目的、検証戦略、方法論、年齢層、参照基準において大きく異なっていたため、クロススタディ比較は質的に解釈されました。したがって、報告された精度値はモデル優位性の直接的な比較指標として扱われませんでした。更新された表では、対象集団、データセットサイズ、検証方法、外部検証状況、主要な制限を含めることで、予測性能とエビデンスの質を区別しています。
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
自閉症スペクトラム障害(ASD)は、社会的コミュニケーションの障害や制限または反復的な行動パターンを特徴とする異質な神経発達状態です。 機械学習(ML)や深層学習(DL)の最近の進展により、神経画像、行動評価、生理学的信号、生物学的マーカーなど、多様なASD関連データモダリティの解析が可能になりました。以下のセクションでは、データモダリティ、方法論的アプローチ、臨床応用に基づいてML/DLベースのASD研究における主要な進展を総合的にまとめます。
ニューロイメージングに基づくアプローチ
機能的磁気共鳴画像法(fMRI)および脳波計(EEG)は、機械学習(ML)および深層学習(DL)手法を用いたASD分類において最も広く使われているモダリティの一つです。Guptaらは、ABIDE-1データセットからfMRIデータを分類するための量子化畳み込みニューラルネットワーク(Q-CNN)モデルを開発し、 98%の精度を達成しました。本研究では、特徴抽出のための接線空間埋め込みと、データプライバシーを保護するための統合的連邦学習(FL)を用い、現実世界での応用における軽量でプライバシー保護の診断フレームワークの可能性を示しました。同様に、Zhaoら4は複数の脳領域間の動的な相互作用を捉え、86.2%の精度を達成したクラスターベースの高次機能連結ネットワーク(Ho-FCN)フレームワークを導入しました。
説明可能性は、神経画像診断モデルの臨床採用において重要な考慮事項として浮上しています。Jungら10 は、脳領域間の高次機能的関連を特定し、従来の低次機能的結合モデルを上回る説明可能性指向型関心領域(ROI)選択フレームワークを提示しました。さらに、Hanらは積み重ねノイズ除去オートエンコーダを用いてEEGと視線追跡(ET)データを組み合わせたマルチモーダルフレームワークを調査しました。神経生理学的および行動学的情報を補完的に統合することで、提案されたアプローチは単一モダリティ法と比較して診断性能の向上を実現しました。
行動分析と視線分析
行動データ、特に眼球運動や表情のパターンは、ASD関連特性の客観的指標として広く研究されています。Artiranらは、模擬就職面接中の視線行動を評価するためのバーチャルリアリティ(VR)ベースの評価システムを開発しました 。高度な信号処理およびクラスタリング技術を用いて、この研究は神経典型者および神経多様性のある個人における視線の社会的調節に関する洞察を提供しました。同様に、Zhangら5は自閉症の診断観察スケジュール(ADOS)インタビュー動画から顔面動態と少ショット学習技術を用いて ASD特性を分類し、91.72%の精度を達成しました。
早期スクリーニングアプローチはASDの特定にも大きな可能性を示しています。Liuら7は幼児に対する視覚に基づく指示応答(RTI)プロトコルを検証 し、臨床診断に95%の一致を示しました。これらの研究は、機械学習に基づく行動分析がASDスクリーニングと評価のスケーラビリティ、客観性、自動化を向上させる可能性を浮き彫りにしています。
マルチモーダルおよびハイブリッド手法
異種なデータモダリティの統合は、ASD分類モデルの堅牢性と一般化可能性を高めます。Hanらは、EEGと視線追跡(ET)データを組み合わせたマルチモーダルフレームワークを開発し、 神経生理学的および行動情報の補完的な情報を活用することで診断性能の向上を示しました。同様に、Xiaoら14 は構造磁気共鳴画像法(MRI)を用いてASDに関連する多層次フラックスの特徴を抽出しました。彼らのマージン最大化型ノルム混合表現学習フレームワークは、データの異質性や高次元特徴空間に関連する課題に対応し、曲線下面積(AUC)を0.907達成しました。
生物学的情報と環境情報を統合したハイブリッドアプローチも、ASD診断の有望な戦略として浮上しています。Peralta-Marzalら24 は再帰的アンサンブル特徴選択(REFS)を用いて腸内マイクロバイオームプロファイルを解析し、ASDに関連する細菌分類群を特定し、AUCを0.816に達成しました。これらの研究は、従来の神経画像データだけでなく、補完的な情報源を統合することで診断精度を向上させるマルチモーダルおよびハイブリッドフレームワークの可能性を示しています。
計算技術の革新
いくつかの研究は、ASD診断モデルの計算効率、スケーラビリティ、堅牢性の向上に焦点を当てています。SravaniとKuppusamy12 は、Dipper-Throated Particle Swarm Optimization(DTPSO)アルゴリズムと統合された最適化された深層畳み込みニューラルネットワーク(DCNN)を開発し、95.9%の精度を達成しました。提案されたフレームワークは特徴最適化および分類性能を向上させ、ASD検出におけるハイブリッド最適化技術の可能性を示しました。
また、プライバシー保護と資源効率の良い診断システムの開発にも取り組みが向けられています。FarooqらはASD検出に連邦学習(FL)を適用し 、子どもで98%、成人で81%の正確性を報告しました。直接的なデータ共有なしに分散型モデル学習を可能にすることで、このアプローチはリソース制約やプライバシーに敏感な環境でAIベースのASD診断システムを展開する実現可能性を示しました。
新興技術
ウェアラブルデバイス、支援システム、没入型バーチャル環境などの新興技術により、ASDの評価と介入の範囲が拡大しました。Jayanthiらは、生理的センサーデータを活用してASDの個人のストレスレベルを評価する機械学習ベースのモニタリングシステムを提案し、ウェアラブル技術がメンタルヘルスモニタリングや個別ケアを支援する可能性を強調しました。同様に、RoblesらはASDスクリーニングと分類のためのバーチャルリアリティ(VR)ベースのプラットフォームを開発し、 行動評価と診断支援における没入型環境の価値を示しました。
これらの進歩にもかかわらず、AIベースのASD診断システムの臨床的普及を制限するいくつかの課題が依然として存在しています。 表2にまとめられているように、データの異質性、モデルの一般化可能性、解釈可能性に関する問題は依然として重要な懸念事項です。これらの限界に対処するため、Kundaら11 は大規模な多部位データセットの重要性を強調し、Fuら17はASDの発達的異質性をよりよく捉えるために年齢特異的なサブタイピング手法を提案しました。さらに、MLベースの診断ツールを臨床現場に成功裏に移行させるには、標準化された検証プロトコル、透明性のある報告フレームワーク、倫理的・プライバシー的・規制上の慎重な検討が必要です。
行動的および生理学的信号解析
行動および生理学的シグナル解析は、ASDの診断とスクリーニングにおいて有望なアプローチとして浮上しています。Jinら27 はホームビデオベースの機械学習技術のメタ分析を行い、感度の合計値と特異度値がそれぞれ0.90と0.87と報告され、早期ASD検出におけるスケーラブルでアクセスしやすいアプローチの可能性を強調しました。別の研究では、Manjurら29 が電網膜造影信号を用いてASD、注意欠陥多動性障害(ADHD)、および典型的な発達者を区別し、神経発達障害の分類における生理学的バイオマーカーの有用性を示しました。
EEGベースの診断手法も有望な結果を示しました。SinghとKakkar38 は、EEG信号を用いたASD検出のための年代順縫製訓練最適化–深残留ネットワーク(CSTO-DRN)モデルを提案し、ノイズ低減や特徴最適化に関する課題に取り組みながら88.6%の精度を達成しました。同様に、Radhakrishnanらはグラフニューラルネットワークと注意メカニズムを組み込んだグラフ注意ネットワークフレームワークを開発し、 EEGに基づくASD分類に96.2%の精度を報告しました。これらの研究は、行動および生理学的信号解析が客観的で非侵襲的かつ拡張可能なASD診断ツールの開発に向けた可能性の高まりを示しています。
マルチモーダルおよび積分法
マルチモーダル融合技術は、異種な情報源を統合することでASD解析を大幅に進歩させました。Wangらは分散医療データセットのマルチモーダルデータを用いて、ASD診断のためのFederated Hypergraph Neural Network(FedHNN)フレームワークを開発しました。提案されたフレームワークは、データプライバシーを守りつつ、診断精度において局所モデルを上回る成果を上げ、プライバシーを守り協働型診断システムの実現可能性を示しました。
腸内マイクロバイオーム解析もASD研究において有望な手法として浮上しています。Olaguez-Gonzalezらは、機械学習技術をマイクロバイオ ーム組成データに適用し、限られた菌株を用いて94.7%の精度を達成しました。この研究の流れを拡張し、Suら42 は多界の微生物叢データを組み込み、曲線下面積(AUC)を0.91と報告し、ASDに関連する機能的バイオマーカー、特にユビキノール-7生合成経路を同定しました。
マイクロバイオームに基づくアプローチに加え、音声および音声の音響から得られるバイオマーカーも非侵襲的な診断ツールとして研究されています。Briendら48 は、子どもの発話サンプルから抽出された音響的特徴を解析し、ASDの個人と通常発達中の対照群を区別する際に91%の分類精度を達成しました。これらの発見は、音声ベースのバイオマーカーが従来の診断評価を補完し、よりアクセスしやすいASDスクリーニング戦略を支援する可能性を示しています。
計算手法の進歩
表3にまとめられているように、最近の計算手法の進歩によりASDの診断と分類が大幅に向上しました。Vidyadhariら46は、Fractional Social Driving Training-Based Optimization(FSDTBO)アルゴリズムを用いて最適化された深層量子化ニューラルネットワーク(DQNN)を開発し、90%の精度を報告しました。提案されたフレームワークは、最適化強化された深層学習モデルが診断性能を向上させる可能性を示しました。
同様に、Zhangらはトポロジカルデータ解析(TDA)手法を用いて 地域均質性指標から特徴を抽出し、96.5%の精度を達成し、いくつかの従来手法を上回る成果を上げました。この研究は、ASDに関連する複雑な神経生物学的パターンを捉えるための高度な特徴表現技術の価値を強調しました。
ハイブリッド機械学習フレームワークもモデル選択と分類性能の向上のために検討されています。Alqaysiらは、特徴選択と分類戦略を統合したファジィ多基準意思決定フレームワーク内で72のハイブリッド機械学習モデルを評価 しました。彼らの発見は、決定木および勾配ブースティングに基づくアプローチが最も安定した分類器の一つであり、効果的な特徴選択がモデル全体の性能最適化に重要な役割を果たしていることを示しました。
マルチモーダルASDフレームワークの臨床的意義
マルチモーダル学習は、ASD分類システムの診断性能と臨床的関連性を向上させるための重要な戦略として浮上しています。ASDは社会的コミュニケーション、感覚処理、認知機能、行動調整、生物学的特徴の違いを通じて個人間で異質に現れるため、単一のデータモダリティで訓練されたモデルは障害の複雑さの限られた部分しか捉えないことがあります。神経画像、脳波計(EEG)、視線追跡、行動ビデオ、マイクロバイオームプロファイル、音声音響、人口統計データなどの情報を統合することで、マルチモーダルフレームワークはASDに関連する特徴をより包括的に表現します。
分類精度の向上に加え、マルチモーダルシステムは複数のデータソースにまたがる収束した証拠を特定しつつ、個人間の臨床的に意味のある差異を保持しつつ、より表現型に配慮した診断アプローチを支援します。Hanら9、Wangら40、Suら42、Briendら48、Olaguez-Gonzalezら49 による報告は、診断の堅牢性、解釈可能性、臨床的応用性を高めるために補完的なモダリティを統合する価値を総合的に示しています。したがって、マルチモーダルASDフレームワークは、予測性能を向上させるツールであるだけでなく、より個別化され臨床的に関連性の高い診断意思決定を促進するアプローチとして捉えるべきです。
新興技術と応用
新興技術はASDの診断、介入、患者モニタリングの範囲を拡大しました。Zhaoらは、拡張現実(XR)技術のASD介入への応用をレビューし 、没入型かつインタラクティブな環境を通じて認知、行動、社会的スキルの発達を支援する可能性を強調しました。同様に、NogayとAdeli(47 )は年齢と性別がASD分類に与える影響を調査し、人口統計情報を組み込むことでディープラーニングモデルの性能を向上させる可能性を示しました。
大きな進展があるにもかかわらず、AIベースのASD診断システムの臨床的普及を制限するいくつかの課題が依然として存在しています。データの異質性、サンプルサイズの制限、外部からの検証不足、モデルの一般化可能性に関する懸念は、多くの研究で共通する制約となっています。これらの課題に対処するため、Quilletら34 はASDに関連するメタボロムバイオマーカーを調査し、Thapaら50 は後ろ向きの臨床データを活用して診断分類とモデルの堅牢性を向上させました。これらの研究は、データの多様性拡大と新規バイオマーカーの導入がモデルの信頼性と臨床的関連性を高める重要性を示しています。
総括して、レビューされた文献は、複数のデータモダリティにおけるASD診断と解析における機械学習と深層学習の変革的な可能性を示しています。神経画像、行動評価、マルチモーダル学習、生理信号解析、マイクロバイオーム研究、音声ベースのバイオマーカーの進歩により、診断の精度、拡張性、解釈性が大幅に向上しました。今後の研究は、大規模で多集団の検証、標準化された評価枠組み、解釈可能性の向上、多様なデータモダリティの統合に焦点を当て、堅牢で臨床的に翻訳可能かつ個別化されたASD診断システムの開発を支援するべきです。
改訂比較結果分析
比較分析は診断の正確性だけでなく、エビデンスの質、検証の厳密さ、臨床的適用性を重視するよう改訂されました。レビュー対象の研究はデータセット、年齢層、対象集団、検証戦略、方法論的目的において大きく異なっていたため、報告されたパフォーマンス指標の直接的な数値比較は慎重に解釈されました。代わりに、改訂された統合は予測性能と検証成熟度、外部テスト、解釈可能性、展開実現可能性、臨床準備度を統合しています。
図1 は、レビュー対象の研究から抽出された明確に報告された診断性能指標(正確性、感度、特異度を含む)を要約しています。多くの研究で高い診断性能が報告されていましたが、モダリティや研究デザイン間で大きなばらつきが観察されました。いくつかの調査では95%を超える精度が達成されましたが、感度や特異度の報告は一貫性が少なく、診断性能を評価する際に正確性だけでなく複数の補完的な指標を用いることが重要であることが浮き彫りになりました。
報告された正確性と感度の関係は 図2にさらに示されています。研究間で正の関連が観察されます。しかし、この図はまた、高い精度が必ずしも比例して感度が高いことに対応するわけではないことも示しています。この発見は臨床的に重要です。なぜなら、ASDスクリーニングの応用ではできるだけ多くの真のASD症例を特定することが求められるため、感度は全体的な分類精度と並んで重要な評価基準だからです。
報告された結果の信頼性を評価するために、 図3 は主要なモダリティグループ間における検証成熟度およびバイアスリスクシグナルの分布を示しています。特にfMRIおよびsMRIデータセットを用いた神経画像に基づく研究は最大のエビデンス群を構成していましたが、繰り返しのベンチマークデータセットやクロスバリデーションフレームワークに頻繁に依存していました。連邦的およびマルチモーダル手法は、複数サイトのデータソースと多様な検証戦略を組み込んでいたため、比較的高い検証成熟度を示しました。対照的に、XRベースの介入プラットフォームやいくつかの行動的アプローチは外部からの検証が限定的であり、大規模な臨床採用の現行エビデンスを制限しています。
図4 は予測パフォーマンスを超えて分析を拡張し、モダリティレベルの臨床準備度を要約しています。この総合は、データセットの成熟度、検証成熟度、外部検証、解釈可能性、展開の実現可能性、そして全体的な臨床準備度の6つの側面を取り入れています。連邦型およびマルチモーダル型AIアプローチは、より強力な検証実践とスケーラビリティの向上を示したため、総合的な準備度スコアが最も高く評価されました。行動ビデオおよび視線ベースの手法も、比較的高い解釈性と実用的な展開可能性により、有望な準備性を示しました。一方で、音声ベースの評価やXRプラットフォームなどのモダリティは、検証エビデンスが限られ、研究対象が少なかったため、準備度が低かった。
臨床準備度と報告された診断成績との関係は 図5に示されています。図は、非常に高い精度値が必ずしも強い臨床準備度に結びつくわけではないことを示しています。95%以上の正確性を報告した複数の研究は、小規模なデータセットや単一サイトコホート、または独立した外部検証が欠如していたため、中程度の準備度レベルにとどまっていました。一方で、診断性能がやや低い研究は、解釈性の向上、検証の幅広さ、展開経路の明確さを伴うことで、より強い翻訳の可能性を示すことが多かった。
モダリティグループ間で特定された方法論的限界は 図6にまとめられています。一般的な懸念には、サンプルサイズの少ないこと、ABIDEなどの単一サイトデータセットへの依存、外部検証の不十分さ、データ漏洩の可能性、較正分析の制限、展開の実現可能性に関する不確実性が含まれていました。エビデンスマップは、診断性能を促すものの、方法論的厳密さと検証の質が臨床翻訳の大きな障壁であり続けていることを強調しています。したがって、ASD診断システムを評価する際には、報告された正確さと並んで証拠の信頼性も考慮すべきです。
拡張結果分析
より広範な総合研究を行い、データモダリティ、アルゴリズム戦略、データセット特性、解釈可能性フレームワーク、計算効率、新興技術がASDの診断性能および臨床翻訳に与える影響を比較しました。
図7 はASD診断パフォーマンスに関連する要因の統合的な概要を示しています。モダリティ比較の結果、マルチモーダルアプローチが総合的に最も高い性能を達成し、次いで神経画像法が続きました。アルゴリズムレベルの比較により、グラフニューラルネットワークやフェデレーテッドラーニングフレームワークなどの高度なアーキテクチャが、データの異質性やプライバシー保護に関する課題に同時に対応しつつ、一貫して強力な性能を示していることが示唆されています。データセット関連分析によると、大規模かつ複数拠点のデータセットは、一般的により安定し、一般化可能な結果を生み出しています。さらに、説明可能性メカニズムを取り入れた手法は、モデルの意思決定における透明性を高め、臨床受容率を向上させました。
表4および表5に示されたエビデンス質の行列はこれらの観察を裏付けています。より大きなデータセット、より強力な検証手順、外部テストを支持した研究は、内部検証のみに依存する研究よりも一般的に信頼性が高いことが示されました。両表において、複数拠点コホート、独立した検査集団、または連合型検証フレームワークを組み込む研究ではエビデンスの質が向上しました。これらの発見は、将来のASD診断システムが予測精度に加えて検証、厳密さ、再現性を優先すべきであることを示唆しています。
表6は ASD診断AIシステムにおける評価基準の相対的重要性をまとめています。感度、特異性、外部検証、解釈可能性、公平性評価、展開実現可能性が臨床翻訳の重要な要素として浮上しました。診断の正確性は依然として重要ですが、分析は単一の指標だけで臨床的有用性を確立するには不十分であることを示しています。むしろ、医療現場での意味のある導入には、パフォーマンス、信頼性、透明性、検証のエビデンスの組み合わせが必要です。
表7に示されたモダリティレベルの総合は、ASD診断アプローチ間でエビデンス成熟度の違いをさらに示しています。神経画像に基づく手法は優れた診断性能を示しましたが、データセット依存性や外部検証に関する制約がしばしば見られました。行動ベースおよび視線ベースのアプローチは解釈性と展開の実現可能性を向上させ、マルチモーダルおよびフェデレーテッド学習フレームワークはパフォーマンス、検証成熟度、臨床準備度の全体的なバランスが最も強かった。マイクロバイオーム解析、音声・音響バイオマーカー、XRベースのシステムを含む新興のアプローチは有望ですが、広範な臨床実装にはさらなる検証研究が必要です。
これらの発見は、ASD診断AIの将来がパフォーマンス最適化だけでなく、多重モードで外部検証され、解釈可能でプライバシーを保護するフレームワークに依存する可能性が高いことを示しています。この総合は、臨床準備度が予測精度だけでなく、検証の質、透明性、スケーラビリティ、実世界での適用性によっても決定されることを強調しています。
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
本レビューは、自閉症スペクトラム障害(ASD)の診断と分析における機械学習(ML)および深層学習(DL)の役割が拡大していることを示しています。レビュー対象の研究では、機能的磁気共鳴画像法(fMRI)、脳波計(EEG)、行動ビデオ、腸内マイクロバイオームプロファイル、音声・音響信号など、多様なデータモダリティに計算的手法が適用されました。従来のML分類器、特にサポートベクターマシン(SVM)やランダムフォレスト(RF)は、その解釈可能性と構造化データセットでの有効性から広く使われ続けました。並行して、畳み込みニューラルネットワーク(CNN)、グラフニューラルネットワーク(GNN)、ハイブリッドフレームワークなどの高度なDLアーキテクチャは、高次元神経画像やマルチモーダル応用において強い性能を示しました。
レビュー対象の研究の中で、ToranjsiminらおよびJainら33が報告した深層学習アーキテクチャは、神経画像および
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
著者たちは、本研究に関して利益相反は一切ないと宣言しています。
著者らは、本研究を支える学術環境と資源を提供してくれたVIT-AP大学に感謝の意を表します。著者たちはまた、本レビューに含まれた研究者の貴重な貢献にも感謝しています。この研究は外部からの資金援助を受けていません。
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。