自閉症スペクトラム障害の診断と分析における機械学習および深層学習手法のスコーピングレビュー

Summary

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。

Abstract

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。

Introduction

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。