자폐 스펙트럼 장애 진단 및 분석을 위한 머신러닝 및 딥러닝 기법의 범위 설정 검토

Srinivasa Reddy K; Lakshmi Annapurna Y

Review Article

자폐 스펙트럼 장애 진단 및 분석을 위한 머신러닝 및 딥러닝 기법의 범위 설정 검토

July 17th, 2026

Srinivasa Reddy K¹ , Lakshmi Annapurna Y¹

¹School of Computer Science and Engineering, VIT-AP University

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

이 리뷰는 자폐 스펙트럼 장애(ASD) 진단에 머신러닝과 딥러닝을 적용한 최근 50개의 연구를 평가합니다. 신경영상, 행동, 생물학적 데이터를 통합한 다중 모달 접근법은 향상된 성능을 보여주었습니다. 주요 과제는 해석 가능성, 확장성, 데이터 이질성 등이 있습니다. 앞으로의 노력은 설명 가능하고 개인정보 보호가 가능하며 임상적으로 번역 가능한 AI 시스템에 집중해야 합니다.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

자폐 스펙트럼 장애(ASD)는 다양한 행동, 인지, 감각, 의사소통 프로필을 특징으로 하는 이질적인 신경발달 상태로, 조기 진단과 개인 맞춤형 개입이 어렵습니다. 최근 머신러닝(ML)과 딥러닝(DL)의 발전은 ASD 선별, 분류, 심각도 평가, 중재 모니터링을 위한 계산 도구 개발을 가능하게 했습니다. 이 리뷰는 뇌파도(EEG), 시력 추적, 행동 영상, 마이크로바이옴, 음성 음향, 인구통계학, 다중 모드 데이터 등 ASD 관련 데이터셋에 ML 및 DL 기법을 적용한 50건의 최근 연구 결과를 종합하였습니다. 이 리뷰는 세 가지 핵심 질문을 다룹니다: (i) 가장 자주 사용되는 데이터 방식과 계산 접근법, (ii) 다양한 연구 설계에서 진단 성과 평가 방식, (iii) 임상 번역을 제한하는 방법론적 도전 과제. 문헌은 데이터 양식, 알고리즘적 접근법, 임상 준비도에 따라 정리되어 있습니다. 검토된 접근법에는 기존 ML 기법, 합성곱 신경망, 그래프 신경망, 하이브리드 딥러닝 아키텍처, 연합학습, 설명 가능한 인공지능, 위상 데이터 분석, 다중 모달 융합 등이 포함됩니다. 이 연구 결과는 다중 모달 및 그래프 기반 접근법이 단일 모달리티 방법보다 ASD 표현형을 더 포괄적으로 표현할 수 있음을 시사합니다. 설명 가능성과 프라이버시 보호 학습도 임상 도입 시 중요한 고려사항으로 부상했습니다. 그러나 보고된 많은 고성능 모델들은 소규모 표본 크기, ABIDE 데이터셋의 반복 사용, 클래스 불균형, 단일 사이트 검증, 제한된 외부 테스트에 기반하여 일반화 가능성에 대한 우려를 제기합니다. 진단 정확도를 넘어, 본 리뷰는 모델 해석 가능성, 교정, 확장성, 검증 엄격성, 임상적 적용 가능성을 평가합니다. 전반적으로 이 분석은 표준화된 벤치마크, 외부 검증된 다중 모달 데이터셋, 임상적으로 적합한 평가 지표, 그리고 ASD 진단 및 관리에서 전문가의 임상 평가를 보완하는 의사결정 지원 시스템의 필요성을 강조합니다.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

자폐 스펙트럼 장애(ASD)는 사회적 의사소통 장애, 제한된 관심사, 반복 행동이 특징인 복잡한 신경발달 상태입니다. ASD의 이질성과 다른 신경발달장애와의 중첩 때문에 진단과 임상 평가가 특히 어렵습니다. 전통적인 진단 접근법은 주로 행동 관찰과 임상 평가에 의존하며, 이는 진단 지연과 임상 결과 변동성에 기여할 수 있습니다. ASD의 조기 및 정확한 발견은 필수적이며, 시기적절한 개입이 인지적, 사회적, 적응적 기능을 현저히 개선하는 것으로 입증되었습니다. 인공지능(AI), 특히 머신러닝(ML)과 딥러닝(DL)의 최근 발전은 객관적이고 데이터 기반의 ASD 진단 및 분석 접근법 개발의 기회를 확대했습니다 ^1,2,3.

ML 및 DL 기법은 기능적 자기공명영상(fMRI), 뇌파검사(EEG), 시력 추적, 행동 평가, 음성 신호 및 기타 생물학적 지표에서 도출된 고차원 데이터셋 분석을 가능하게 합니다. 이러한 접근법은 ASD 선별, 분류, 심각도 예측 및 중재 모니터링에 상당한 잠재력을 입증했습니다. 최근 연구들은 신경영상 기반 모델, 행동 분석, 다중 모달 학습 프레임워크, 프라이버시 보호 아키텍처를 활용한 ASD 탐지 및 평가 ^4,5,6 그러나 빠르게 확장되는 문헌은 여전히 매우 단편화되어 있는데, 이는 많은 연구가 개별 데이터 양식, 특정 알고리즘, 또는 고립된 임상 목표에 집중하기 때문에 방법론과 결과의 직접적인 비교가 어렵기 때문입니다.

상당한 진전에도 불구하고, AI 기반 ASD 진단 시스템의 임상 적용을 제한하는 여러 도전 과제가 계속되고 있습니다. 많은 출판된 모델들은 비교적 작은 데이터셋, 단일 사이트 코호트, 제한된 검증 절차를 사용하여 개발되어 일반화 가능성과 실제 적용성에 대한 우려를 낳고 있습니다. 또한 해석 가능성, 계산 효율성, 확장성, 공정성, 데이터 프라이버시 등과 관련된 문제들이 임상 채택의 중요한 장벽으로 남아 있습니다. 기존 리뷰들은 일반적으로 특정 방법론이나 개별 데이터 소스에 초점을 맞추었으며, 데이터 모달리티, 알고리즘 설계, 검증 엄격성, 임상 준비 상태 간의 광범위한 관계를 간과하는 경우가 많았습니다.

이러한 격차를 해소하기 위해 본 범위 검토는 자폐 스펙트럼 장애(ASD) 진단 및 분석에 머신러닝(ML)과 딥러닝(DL) 기법을 적용한 최근 50건의 연구에서 증거를 종합합니다. 검토된 문헌은 기능적 및 구조적 자기공명영상(fMRI/sMRI), 뇌파검사(EEG), 행동 및 시선 분석, 생리적 신호 처리, 음성 및 음성-음향 평가, 마이크로바이옴 기반 바이오마커, 다중 모달 학습 프레임워크를 포함한 광범위한 계산 접근법과 데이터 방식을 포괄합니다. 최근 연구들은 지지 벡터 기계와 랜덤 포레스트와 같은 기존 머신러닝 접근법뿐만 아니라 합성곱 신경망, 그래프 신경망, 전이 학습, 주의 기반 모델, 연합 학습 프레임워크, 설명 가능한 인공지능, 위상 분석 접근법^등 첨단 딥러닝 아키텍처를 탐구했습니다. 1,2,3,4,5,6 ^,7,8,9,10,11,12,13,14,15,16.

검토된 연구들은 ASD 관련 데이터 출처와 분석 목표의 다양성이 점점 커지고 있음을 더욱 보여준다. 연구에서는 신경해부학적 이질성, 기능적 연결성 패턴, 행동 평가, 가상현실 기반 선별, 생리학적 모니터링, EEG 분석, 망막전도기 기반 분류, 마이크로바이옴 프로파일링, 대사역학, 음성 음향, 진단, 중증도 예측, 중재 모니터링, 하위 유형 식별을 위한 다중 모달 데이터 융합 등을 조사했습니다.¹⁷^, ¹⁸^, ¹⁹^, ²⁰^, 21,22,23,24,25,26,27,28,29,30,31,32,33,34,35 . 이러한 발전은 단일 모달리티 진단 모델에서 ASD의 이질적인 임상 증상을 포착할 수 있는 통합 프레임워크로의 전환을 반영합니다.

진단 성능을 요약하는 것을 넘어, 본 리뷰는 데이터 모달리티, 알고리즘 설계, 검증 엄격성, 해석 가능성, 확장성, 임상 적용성 간의 관계를 평가합니다. 연합학습, 그래프 기반 모델링, 다중 모달 융합, 설명 가능한 인공지능, 프라이버시 보호 학습 프레임워크, 확장 현실 기술, 바이오마커 기반 정밀 진단 등 신흥 접근법에 특히 주목합니다.³⁶^, ³⁷^, ³⁸^, ³⁹^, ⁴⁰^, ⁴¹^, ⁴²^, ⁴³^, ⁴⁴^,⁴⁵^, ⁴⁶^, ⁴⁷^, ⁴⁸^, ⁴⁹^, ⁵⁰. 모달리티, 알고리즘, 검증 전략 전반에 걸친 증거를 통합함으로써, 본 리뷰는 현재 ASD 진단 기술의 구조화된 벤치마크를 제공하며, 방법론적 강점, 한계, 근거 품질 고려사항을 강조합니다. 분석은 보고된 정확성을 넘어 해석 가능성, 외부 검증, 임상 준비 상태, 배포 타당성을 포함하여, AI 기반 ASD 진단 시스템의 번역 가능성을 평가하는 틀을 제공합니다. 궁극적으로 본 리뷰는 현재 연구 동향을 파악하고, 기존의 격차를 강조하며, ASD 평가 및 관리를 위한 확장 가능하고 해석 가능하며 임상적으로 번역 가능한 AI 솔루션 개발의 향후 방향을 제시하는 것을 목표로 합니다.

검토 방법론

본 연구는 자폐 스펙트럼 장애(ASD) 진단 및 분석에 적용된 최근 머신러닝(ML) 및 딥러닝(DL) 접근법에 대한 포괄적인 개요를 제공하기 위해 스코핑 리뷰로 수행되었습니다. 스코핑 리뷰 방법론은 이용 가능한 문헌이 데이터 양식, 임상 목적, 알고리즘 프레임워크, 데이터셋, 검증 전략, 보고된 결과 지표 전반에 걸쳐 매우 이질적이기 때문에 선택되었습니다.

검토된 연구들은 신경영상, 뇌파검사(EEG), 시력 추적, 행동 평가, 음성 신호, 마이크로바이옴 프로필, 다중 모달 데이터셋 등 다양한 데이터 소스를 포함했습니다. 연구 집단, 기준, 성과 지표, 실험 설계 간에 상당한 차이가 존재했기 때문에 정량적 메타분석은 부적절하다고 판단되었습니다. 대신 이 리뷰의 목적은 현재 연구 환경을 파악하고, 방법론적 경향을 파악하며, 계산적 접근법을 비교하고, 증거의 질을 평가하며, ASD 진단 및 모니터링을 위한 ML 및 DL 시스템의 임상적 준비도를 평가하는 것이었습니다.

포함된 연구들은 데이터 양식, 머신러닝 방법론, 검증 전략, 진단 성과, 해석 가능성, 확장성, 임상 번역 가능성 등에 따라 분석되었습니다. 특히 멀티모달 학습, 설명 가능한 인공지능, 연합 학습, 그래프 기반 모델링, 프라이버시 보호 진단 프레임워크와 같은 신흥 분야에 주목했습니다.

연구 질문

이 범위 검토는 세 가지 포괄적인 질문에 의해 안내되었습니다. 첫째, ASD 관련 데이터 방식과 머신러닝/딥러닝(ML/DL) 접근법이 선별, 진단, 심각도 예측 및 중재 모니터링에 가장 자주 사용된 사례를 조사했습니다. 둘째, 최근 ASD 인공지능 연구에서 모델 성능, 검증 전략, 해석 가능성, 확장성 등이 어떻게 보고되었는지를 평가했습니다. 셋째, ASD 진단 및 관리를 위한 ML/DL 기반 시스템 채택에 계속해서 영향을 미치는 방법론적 한계, 근거 품질 문제, 임상 번역의 장벽을 조사하였습니다. 이 질문들은 현재 연구 동향을 종합하고, 기존 접근법의 강점과 약점을 평가하며, 임상적으로 적용 가능한 ASD AI 솔루션의 향후 개발 우선순위를 파악하는 틀을 제공합니다.

검색 전략 및 정보 출처

IEEE Xplore, PubMed/MEDLINE, Scopus, Web of Science, ScienceDirect, SpringerLink, Google Scholar 등에서 문헌 검색을 실시했습니다. 이 검색은 2022년부터 2025년 사이에 발표된 연구들에 초점을 맞추어 머신러닝(ML), 딥러닝(DL), 연합학습, 그래프 신경망, 멀티모달 융합, 그리고 자폐 스펙트럼 장애(ASD) 진단 및 분석을 위한 설명 가능한 인공지능(XAI) 분야의 최신 발전을 포착했습니다.

검색 전략은 ASD, 인공지능 방법론, 진단 목표, 데이터 양식과 관련된 용어들을 결합했습니다. 주요 검색 쿼리에는 ("자폐 스펙트럼 장애" 또는 ASD 또는 자폐증) 및 ("머신러닝" 또는 "딥러닝" 또는 "인공지능" 또는 CNN, GNN, SVM, "랜덤 포레스트" 또는 "연합 학습" 또는 "설명 가능한 AI"), (진단 또는 선별 검사, 분류, 예측, 심각성, 중재), (fMRI, MRI, EEG 또는 "시선 추적" 또는 비디오, 마이크로바이옴, 음성 또는 멀티모달 등)이 포함되어 있었습니다. 검색 문법은 개별 데이터베이스에 맞게 필요에 따라 조정되었습니다.

연구 범위를 높이고 관련 논문 누락 위험을 줄이기 위해, 자격 있는 리뷰 논문과 1차 연구 연구의 참고문헌 목록을 추가 기록을 위해 수동으로 선별했습니다. 최종 연구 세트는 아래에 설명된 사전 정의된 적격 기준을 바탕으로 선정되었습니다.

자격 요건

연구들은 ASD 중심 머신러닝 및 딥러닝 응용, 방법론적 질, 임상 적용 가능성에 대한 관련성을 보장하기 위해 사전 정의된 포함 및 제외 기준에 따라 선정되었습니다. 연구 선정에 사용되는 적격 기준은 표 1에 요약되어 있습니다.

선별 절차

검색된 기록의 제목과 초록은 자폐 스펙트럼 장애(ASD), 인공지능 방법론, 진단 또는 분석 목적과의 관련성을 평가하기 위해 처음에 선별되었습니다. 이후 전체 텍스트 논문을 검토하여 연구 대상, 데이터 출처, 계산 접근법, 검증 전략 및 보고된 결과 측정에 관한 정보를 추출하였습니다. 중복 기록과 내용이 겹치는 연구는 최종 합성 전에 제외하였다. 여러 연구가 동일한 데이터셋(예: ABIDE)을 사용할 경우, 중복을 피하고 방법론적 다양성을 포괄적으로 평가하기 위해 뚜렷한 모델 구조, 특징 표현, 검증 프레임워크 또는 임상 목표만 유지되었습니다.

데이터 추출 및 합성

각 포함된 연구에서 구조화된 접근법을 사용하여 데이터를 추출하였습니다. 추출된 정보에는 저자 및 출판 연도, 데이터 양식, 데이터셋 또는 출처, 가능한 경우 표본 크기, 대상 집단 또는 연령대, ASD 관련 과제, 알고리즘 또는 모델 유형, 특징 추출 방법, 검증 전략, 보고된 성과 지표, 해석 가능성 접근법, 외부 검증 상태, 명시된 한계 사항 및 임상 적용 가능성이 포함되었습니다. 연구들은 보고된 성과만으로만 순위를 매기지 않고 데이터 모달리티, 알고리즘 범주, 임상 목적, 검증 설계, 근거 질에 따라 종합되었습니다.

품질 평가 및 편향 위험 평가

잠재적 편향, 근거 질, 임상 준비도를 평가하기 위한 방법론적 평가가 수행되었습니다. 각 연구는 표본 크기의 적정성, 클래스 밸런스, ABIDE와 같은 반복 벤치마크 데이터셋 의존도, 전처리와 검증 단계 간 데이터 유출 위험, 교차 검증 또는 외부 검증의 유형, 보정 보고, 연령 및 성별 간 인구통계학적 공정성, 해석 가능성, 재현성, 배포 타당성을 기준으로 평가되었습니다. 매우 높은 정확도를 보고한 연구들은 충분한 표본 크기, 독립적인 검사, 누출 제어 절차, 투명한 검증 방법이 뒷받침되지 않는 한 신중하게 해석되었습니다.

성과 지표 보고

수정된 비교에는 원래 연구에서 명시적으로 보고된 지표만 포함되었습니다. 지표가 없을 때는 추정치나 근사치가 아닌 NR로 표시되어 "보고되지 않음"을 표시했습니다. 포함된 연구들이 데이터셋 크기, 임상 목적, 검증 전략, 방법론, 연령 그룹, 기준 면에서 크게 다르기 때문에 교차 연구 비교는 질적으로 해석되었습니다. 따라서 보고된 정확도 값은 모델 우수성의 직접적인 비교 지표로 간주되지 않았습니다. 업데이트된 표는 예측 성과와 근거 품질을 구분하여 대상 집단, 데이터셋 크기, 검증 방법, 외부 검증 상태, 주요 한계 등을 포함합니다.

Review and Perspective

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

자폐 스펙트럼 장애(ASD)는 사회적 의사소통 장애와 제한적이거나 반복적인 행동 패턴을 특징으로 하는 이질적인 신경발달 상태입니다. 최근 머신러닝(ML)과 딥러닝(DL)의 발전으로 신경영상, 행동 평가, 생리적 신호, 생물학적 마커 등 다양한 ASD 관련 데이터 방식의 분석이 가능해졌습니다. 다음 섹션들은 데이터 양식, 방법론적 접근법, 임상 적용에 따라 ML/DL 기반 ASD 연구의 주요 발전을 종합합니다^.

신경영상 기반 접근법

기능적 자기공명영상(fMRI)과 뇌파검사(EEG)는 머신러닝(ML)과 딥러닝(DL) 접근법을 이용한 ASD 분류에 가장 널리 사용되는 방법 중 하나입니다. Gupta 등은 ABIDE-1 데이터셋에서 fMRI 데이터를 분류하기 위한 양자화된 합성곱 신경망(Q-CNN) ^{모델을 개발하여} 98%의 정확도를 달성했습니다. 이 연구는 접선 공간 임베딩을 이용해 특징 추출과 통합 연합학습(FL)을 사용하여 데이터 프라이버시를 보호하였으며, 실제 응용 분야에서 경량 및 프라이버시 보호 진단 프레임워크의 잠재력을 입증했습니다. 마찬가지로, Zhao 등4는 여러 뇌 영역 간 동적 상호작용을 포착하고 86.2%의 정확도를 달성한 클러스터 기반 고차 기능 연결망(Ho-FCN) 프레임워크^{를 도입했습니다}.

설명 가능성은 신경영상 기반 진단 모델의 임상 채택에서 중요한 고려 사항으로 부상했습니다. Jung 등은 뇌 영역 간 고차 기능적 연관성을 확인하고 기존의 저차 기능 연결성 모델보다 우수한 설명 유도 관심 영역(ROI) 선택 프레임워크^{를 제시했습니다} . 또한 Han 등은 누적 잡음 제거 자동인코더를 사용하여 EEG와 시선 추적(ET) 데이터를 결합한 다중 모달 프레임^{워크를 조사}했습니다. 신경생리학적, 행동적 정보를 통합함으로써, 제안된 접근법은 단일 모달리티 방법에 비해 진단 성과가 향상되었습니다.

행동 및 시선 분석

특히 안구 움직임과 표정 패턴 등 행동 데이터는 ASD 관련 특성을 객관적으로 평가하는 지표로 널리 연구되어 왔습니다. Artiran 등^은 모의 면접 중 시선 행동을 평가하기 위한 가상현실(VR) 기반 평가 시스템을 개발했습니다. 첨단 신호 처리 및 클러스터링 기법을 사용하여 이 연구는 신경전형적 및 신경다양성 개인들 사이에서 시선의 사회적 조절에 대한 통찰을 제공했습니다. 마찬가지로, Zhang 등5는 얼굴 역학과 소수 샷 학습 기법^{을 활용해} 자폐 진단 관찰 일정(ADOS) 인터뷰 영상에서 ASD 특성을 분류하여 91.72%의 정확도를 달성했습니다.

초기 선별 접근법은 ASD 식별에 상당한 잠재력을 보여주었습니다. Liu 등7은 유아를 위한 시각 기반 지시에 대한 반응(RTI) 프로토콜^{을 검증했으며} , 임상 진단에 95%의 일치를 보고했습니다. 이 연구들은 모두 기계 학습 기반 행동 분석이 ASD 선별 및 평가의 확장성, 객관성, 자동화를 향상시킬 잠재력을 강조합니다.

다중 모드 및 하이브리드 방법

이질적인 데이터 모달리티의 통합은 ASD 분류 모델의 견고성과 일반화성을 향상시킵니다. Han 등은 뇌파(EEG)와 시선 추적(ET) 데이터를 결합한 다중 모달 프레임워크^{를 개발하} 여, 신경생리학적·행동적 정보를 보완하여 진단 성능을 향상시켰습니다. 마찬가지로, Xiao 등은 구조적 자기공명영상(MRI)^{을 이용해} ASD 관련 다단계 플럭스 특징을 추출했습니다. 그들의 마진-최대화 노름-혼합 표현 학습 프레임워크는 데이터 이질성과 고차원 특징 공간과 관련된 문제를 해결하여, 곡선 아래 면적(AUC)을 0.907로 달성했습니다.

생물학적 정보와 환경 정보를 통합하는 하이브리드 접근법도 ASD 진단을 위한 유망한 전략으로 부상하고 있습니다. Peralta-Marzal 등은 재귀적 집합 특징 선택(REFS)을 이용해 장내 미생물군 프로필^{을 분석하여} ASD와 관련된 박테리아 분류군을 식별하고 AUC 0.816을 달성했습니다. 이 연구들은 종합적으로 다중 모달 및 하이브리드 프레임워크가 기존 신경영상 데이터 이상의 보완적 정보원을 통합하여 진단 정확도를 향상시킬 잠재력을 강조합니다.

계산 혁신

여러 연구가 ASD 진단 모델의 계산 효율성, 확장성, 견고성 향상에 초점을 맞추고 있습니다. Sravani와 Kuppusamy¹² 는 Dipper-Throated Particle Swarm Optimization(DTPSO) 알고리즘과 통합된 최적화된 심층 합성곱 신경망(DCNN)을 개발하여 95.9%의 정확도를 달성했습니다. 제안된 프레임워크는 특징 최적화 및 분류 성능을 향상시켰으며, ASD 탐지에 하이브리드 최적화 기법의 잠재력을 입증했습니다.

또한 개인정보 보호와 자원 효율적인 진단 시스템 개발에도 노력이 집중되었습니다. Farooq 등은 연합학습(FL)^{을 적용하여} ASD 탐지에 대해 98%, 성인에서 81%의 정확도를 보고했습니다. 직접 데이터 공유 없이 분산형 모델 학습을 가능하게 함으로써, 이 접근법은 자원이 제한된 환경과 개인정보 보호에 민감한 환경에서 AI 기반 ASD 진단 시스템을 배치하는 것이 가능함을 입증했습니다.

신기술

웨어러블 기기, 보조 시스템, 몰입형 가상 환경 등 신기술들은 ASD 평가 및 개입의 범위를 확장시켰습니다. Jayanthi 등은 생리학적 센서 데이터를 활용해 ASD 개인의 스트레스 수준을 평가하는 머신러닝 기반 모니터링 ^{시스템을 제안하}여, 웨어러블 기술이 정신 건강 모니터링과 개인 맞춤형 치료를 지원하는 잠재력을 강조했습니다. 마찬가지로 Robles 등은 ASD 선별 및 분류를 위한 가상현실(VR) 기반 ^{플랫폼을 개발하여} 행동 평가 및 진단 지원을 위한 몰입형 환경의 가치를 입증했습니다.

이러한 발전에도 불구하고, AI 기반 ASD 진단 시스템의 임상 확산을 제한하는 여러 도전 과제가 계속되고 있습니다. 표 2에 요약된 바와 같이, 데이터 이질성, 모델 일반화 가능성, 해석 가능성과 관련된 문제들이 여전히 중요한 우려 사항입니다. 이러한 한계를 해결하기 위해 Kunda 등은 대규모 다중 부위 데이터셋의 중요성^{을 강조했고} , Fu 등^은ASD의 발달적 이질성을 더 잘 포착하기 위해 연령별 하위 유형 분석 접근법을 제안했습니다. 더 나아가, ML 기반 진단 도구를 임상 실무에 성공적으로 전환하려면 표준화된 검증 프로토콜, 투명한 보고 체계, 윤리적·개인정보 보호·규제 요구사항에 대한 신중한 고려가 필요합니다.

행동 및 생리학적 신호 분석

행동 및 생리학적 신호 분석은 ASD 진단과 선별에 유망한 접근법으로 부상하고 있습니다. Jin 등은 홈비디오 기반 머신러닝 기법에 대한 메타^{분석을 수행했으며} , 각각 민감도와 특이도를 0.87로 합쳐 0.90과 0.87을 보고하여, 초기 ASD 발견을 위한 확장 가능하고 접근 가능한 접근법의 잠재력을 강조했습니다. 또 다른 연구에서 Manjur 등은 망막 전도술 신호^{를 이용해} ASD, 주의력결핍/과잉행동장애(ADHD), 그리고 일반적으로 발달하는 개인을 구분하여, 신경발달장애 분류에 생리학적 바이오마커의 유용성을 입증했습니다.

EEG 기반 진단 접근법도 고무적인 결과를 보여주었습니다. Singh와 Kakkar³⁸ 은 EEG 신호를 이용한 ASD 감지를 위한 연대순 재봉 훈련 최적화-심상 잔류 네트워크(CSTO-DRN) 모델을 제안했으며, 노이즈 감소 및 특징 최적화 관련 문제를 해결하면서 88.6%의 정확도를 달성했습니다. 마찬가지로, Radhakrishnan 등은 EEG 기반 ASD 분류를 위한 그래프 신경망과 주의 메커니즘을 통합한 그래프 주의망 프레임워크^{를 개발하여} 96.2%의 정확도를 보고했습니다. 이 연구들은 모아 행동 및 생리학적 신호 분석이 객관적이고 비침습적이며 확장 가능한 ASD 진단 도구 개발에 점점 더 큰 잠재력을 가지고 있음을 보여줍니다.

다중 모드 및 통합 방법

다중 모달 융합 기법은 이질적인 정보원을 통합하여 ASD 분석을 크게 발전시켰습니다. Wang 등은 분산 의료 데이터셋에서 얻은 다중 모달 데이터를 활용하여 ASD 진단을 위한 연합 하이퍼그래프 신경망(FedHNN) 프레임^{워크를 개발}했습니다. 제안된 프레임워크는 데이터 프라이버시를 보존하면서도 진단 정확도에서 지역 모델을 능가하여 프라이버시 보호 및 협력 진단 시스템의 실현 가능성을 입증했습니다.

장내 미생물군 분석도 ASD 연구에 유망한 연구 방법으로 부상하고 있습니다. Olaguez-Gonzalez 등은 마이크로바이옴 구성 데이터에 머신러닝 기^{법을 적용}하여 제한된 수의 박테리아 균주를 사용해 94.7%의 정확도를 달성했습니다. 이 연구를 확장하여 Su 등은 다계 미생물군 데이터를 통합하여 곡선 아래 면적(AUC)을 0.91로 보고하여, ASD와 관련된 기능적 바이오마커, 특히 유비퀴놀-7 생합성 경로를 확인하였습니다.

마이크로바이옴 기반 접근법 외에도, 음성 및 음성 음향에서 유래한 바이오마커가 비침습적 진단 도구로 연구되어 왔습니다. Briend 등은 아동의 음성 샘플에서 추출한 음향 특징^{을 분석하여} ASD 개인과 일반적으로 발달하는 대조군을 구분하는 데 91%의 분류 정확도를 달성했습니다. 이 발견들은 음성 기반 바이오마커가 전통적인 진단 평가를 보완하고 보다 접근성 높은 ASD 선별 전략을 지원할 수 있는 잠재력을 강조합니다.

계산 방법의 발전

표 3에서 요약하듯, 최근 계산 방법론의 발전은 ASD 진단과 분류를 크게 향상시켰습니다. Vidyadhari 등은 Fractional Social Driving Training-Based Optimization(FSDTBO) 알고리즘을 사용해 최적화된 딥 양자화 신경망(DQNN)^{을 개발했으며}, 정확도는 90%에 달했습니다. 제안된 프레임워크는 최적화 강화 딥러닝 모델이 진단 성능 향상에 잠재력을 보여줄 수 있음을 입증했습니다.

마찬가지로 Zhang 등은 위상 데이터 분석(TDA) 접근법^{을 사용하여 지역} 동질성 측정에서 특징을 추출했으며, 96.5%의 정확도를 달성하여 여러 기존 방법론을 능가했습니다. 이 연구는 ASD와 관련된 복잡한 신경생물학적 패턴을 포착하기 위한 첨단 특징 표현 기법의 가치를 강조했습니다.

하이브리드 머신러닝 프레임워크도 모델 선택 및 분류 성능 향상을 위해 탐구되었습니다. Alqaysi 등은 특징 선택과 분류 전략을 통합한 모호한 다중 기준 의사결정 프레임워크 내에서 72개의 하이브리드 머신러닝 ^{모델을 평가했습니다} . 그들의 연구 결과는 결정 트리 및 그라디언트 부스팅 기반 접근법이 가장 안정적인 분류기 중 하나이며, 효과적인 특징 선택이 전체 모델 성능 최적화에 중요한 역할을 했다는 것을 나타냈습니다.

다중 모달 ASD 프레임워크의 임상적 중요성

다중 모달 학습은 진단 성능과 ASD 분류 시스템의 임상적 관련성을 향상시키는 중요한 전략으로 부상했습니다. ASD는 사회적 의사소통, 감각 처리, 인지 기능, 행동 조절, 생물학적 특성의 차이를 통해 개인별로 이질적으로 나타나기 때문에, 단일 데이터 모달리티로 학습된 모델은 장애의 복잡성 중 일부만 포착할 수 있습니다. 신경영상, 뇌파도(EEG), 시력 추적, 행동 영상, 마이크로바이옴 프로필, 음성 음향, 인구통계 데이터 등 다양한 정보를 통합함으로써, 다중 모달 프레임워크는 ASD 관련 특성을 보다 포괄적으로 표현할 수 있게 합니다.

분류 정확도를 향상시키는 것 외에도, 다중 모달 시스템은 여러 데이터 출처에서 수렴하는 증거를 식별하면서도 개인별 임상적으로 의미 있는 차이를 보존함으로써 표현형 기반 진단 접근법을 지원합니다. Han 등⁹, Wang 등⁴⁰, Su 등⁴², Briend 등⁴⁸, Olaguez-Gonzalez 등⁴⁹ 가 보고한 결과는 보완적 치료법을 통합하여 진단의 견고성, 해석 가능성 및 임상적 적용성을 향상시키는 가치를 함께 입증합니다. 따라서 다중 모달 ASD 프레임워크는 예측 수행 능력을 향상시키는 도구일 뿐만 아니라 보다 개인화되고 임상적으로 적합한 진단 의사결정을 촉진하는 접근법으로 간주되어야 합니다.

신기술 및 응용

신기술은 ASD 진단, 개입, 환자 모니터링의 범위를 확장시켰습니다. Zhao 등은 ASD 중재에 대한 확장현실(XR) 기술의 적용^{을 검토하고} , 몰입적이고 상호작용적인 환경을 통해 인지, 행동, 사회적 기술 개발을 지원할 수 있는 잠재력을 강조했습니다. 마찬가지로 Nogay와 Adeli⁴⁷ 은 연령과 성별이 ASD 분류에 미치는 영향을 조사했고, 인구통계학적 정보를 통합하면 딥러닝 모델의 성능을 향상시킬 수 있음을 입증했습니다.

상당한 진전에도 불구하고, AI 기반 ASD 진단 시스템의 임상 확산을 제한하는 여러 도전 과제가 계속되고 있습니다. 데이터 이질성, 제한된 표본 크기, 불충분한 외부 검증, 모델 일반화 가능성에 대한 우려는 많은 연구에서 공통된 한계로 남아 있습니다. 이러한 도전을 해결하기 위해 Quillet 등은 ASD와 관련된 대사체 바이오마커^{를 탐구} 했고, Thapa 등은 진단 분류와 모델의 견고성을 개선하기 위해 회고적 임상 ^{데이터를 활용했습니다} . 이 연구들은 모델 신뢰성과 임상적 관련성을 높이기 위해 데이터 다양성을 확장하고 새로운 바이오마커를 포함하는 것의 중요성을 보여줍니다.

전반적으로 검토된 문헌들은 여러 데이터 방식에서 ASD 진단 및 분석에 있어 머신러닝과 딥러닝이 가져올 변혁적 잠재력을 보여줍니다. 신경영상, 행동 평가, 다중 모달 학습, 생리적 신호 분석, 마이크로바이옴 연구, 음성 기반 바이오마커의 발전으로 진단 정확도, 확장성 및 해석 가능성이 크게 향상되었습니다. 향후 연구는 대규모 다중 코호트 검증, 표준화된 평가 프레임워크, 해석 가능성 향상, 다양한 데이터 양식의 통합에 집중하여 견고하고 임상적으로 번역 가능하며 개인화된 ASD 진단 시스템 개발을 지원해야 합니다.

수정 비교 결과 분석

비교 분석은 진단 정확성만이 아닌 근거의 질, 검증 엄격성, 임상적 적용 가능성에 중점을 두도록 수정되었습니다. 검토된 연구들은 데이터셋, 연령 그룹, 대상 집단, 검증 전략 및 방법론적 목표에서 크게 차이가 있었기 때문에, 보고된 성과 지표의 직접 수치 비교는 신중하게 해석되었습니다. 대신 수정된 종합은 예측 성과 검증 성숙도, 외부 테스트, 해석 가능성, 배포 타당성, 임상 준비 상태를 통합합니다.

그림 1 은 검토된 연구들에서 추출된 명시적으로 보고된 진단 성과 지표들, 정확성, 민감도, 특이도를 요약한 것입니다. 많은 연구가 높은 진단 성과를 보고했지만, 치료 방식과 연구 설계 간에 상당한 변동성이 관찰되었습니다. 여러 연구에서 95%를 넘는 정확도를 달성했으나, 민감도와 특이도 값은 종종 일관성 있게 보고되지 않아 진단 성과를 평가하는 것이 정확성만이 아닌 여러 보완 지표를 사용하는 것이 중요함을 강조했습니다.

보고된 정확도와 민감도 간의 관계는 그림 2에서 더 자세히 설명되어 있습니다. 양의 연관성은 연구 간에 관찰될 수 있습니다; 하지만 이 그림은 높은 정확도가 반드시 비례적으로 더 높은 감도와 일치하지는 않다는 점을 보여줍니다. 이 발견은 임상적으로 중요합니다. ASD 선별 적용은 가능한 한 많은 진짜 ASD 사례를 식별해야 하므로 민감도는 전체 분류 정확도와 함께 중요한 평가 기준이 되기 때문입니다.

보고된 결과의 신뢰성을 평가하기 위해 그림 3 은 주요 모달리티 그룹 간 검증 성숙도와 편향 위험 신호의 분포를 제시합니다. 특히 fMRI 및 sMRI 데이터셋을 사용한 신경영상 기반 연구가 가장 큰 근거군을 차지했으나, 반복되는 벤치마크 데이터셋과 교차 검증 프레임워크에 자주 의존했습니다. 연합 및 다중 모드 접근법은 다중 사이트 데이터 소스와 더 다양한 검증 전략을 포함했기 때문에 상대적으로 더 강한 검증 성숙도를 보였습니다. 반면, XR 기반 중재 플랫폼과 여러 행동 접근법은 외부 검증이 제한적이어서 대규모 임상 채택에 대한 현재 증거가 제한되었습니다.

그림 4 는 예측 수행을 넘어 임상 준비도를 요약하여 분석을 확장합니다. 이 종합은 데이터셋 성숙도, 검증 성숙도, 외부 검증, 해석 가능성, 배포 타당성, 전반적인 임상 준비 상태의 여섯 가지 차원을 포함합니다. 연합 및 다중 모달 AI 접근법은 더 강력한 검증 관행과 향상된 확장성을 입증하여 최고 수준의 준비 성적을 기록했습니다. 행동 비디오 및 시선 기반 방법도 비교적 높은 해석 가능성과 실용적 배치 가능성 덕분에 유망한 준비 상태를 보였습니다. 반면, 음성 기반 평가나 XR 플랫폼과 같은 방식은 검증 증거가 제한적이고 연구 집단이 적어 준비도가 낮았습니다.

임상 준비도와 보고된 진단 수행 사이의 관계는 그림 5에 시각화되어 있습니다. 이 도표는 매우 높은 정확도 값이 반드시 강한 임상 준비 상태로 이어지지 않는다는 것을 보여줍니다. 95% 이상의 정확도를 보고한 여러 연구들은 소규모 데이터셋, 단일 사이트 코호트에 의존하거나 독립적인 외부 검증이 부족해 중간 정도의 준비도 수준에 머물렀습니다. 반면, 진단 성능이 약간 낮은 연구들은 해석 가능성 개선, 검증 폭넓은 검증, 명확한 배포 경로가 동반될 경우 더 강한 번역 잠재력을 자주 보여주었습니다.

모달리티 그룹 간에 확인된 방법론적 한계는 그림 6에 요약되어 있다. 일반적인 우려 사항은 표본 크기가 적고, ABIDE와 같은 단일 사이트 데이터셋에 의존하며, 외부 검증이 부족하고, 데이터 유출 가능성, 제한된 보정 분석, 배포 타당성에 대한 불확실성 등이 있었습니다. 증거 지도는 진단 수행을 장려하더라도 방법론적 엄격성과 검증의 질이 임상 번역의 주요 장벽임을 강조합니다. 따라서 ASD 진단 시스템을 평가할 때는 보고된 정확성과 함께 근거 신뢰성도 고려해야 합니다.

확장 결과 분석

데이터 모달리티, 알고리즘 전략, 데이터셋 특성, 해석 가능성 프레임워크, 계산 효율성, 신기술이 ASD 진단 성과 임상 번역에 미치는 영향을 비교하기 위해 더 광범위한 종합이 수행되었습니다.

그림 7 은 ASD 진단 수행과 관련된 요인들을 통합적으로 개관합니다. 모달리티 비교 결과, 다중 모달 접근법이 전반적으로 가장 높은 성능을 보였고, 그 다음이 신경영상 기반 방법이었습니다. 알고리즘 수준 비교 결과, 그래프 신경망과 연합학습 프레임워크를 포함한 첨단 아키텍처가 데이터 이질성과 프라이버시 보호와 관련된 문제를 동시에 해결하면서도 강력한 성능을 지속적으로 입증했습니다. 데이터셋 관련 분석에 따르면, 더 크고 다중 사이트에 걸친 데이터셋이 소규모 코호트보다 일반적으로 더 안정적이고 일반화 가능한 결과를 냈습니다. 더불어, 설명 가능한 메커니즘을 포함한 방법들은 모델 의사결정에 더 큰 투명성을 제공함으로써 임상 수용률을 높였습니다.

표 4와 표 5에 제시된 근거 품질 행렬은 이러한 관찰을 강화합니다. 더 큰 데이터셋, 강력한 검증 절차, 외부 테스트로 뒷받침된 연구들은 내부 검증에만 의존하는 연구보다 일반적으로 더 신뢰할 만한 성능을 보였습니다. 두 표 모두에서 다중 기관 코호트, 독립 검사 집단, 연합 검증 프레임워크를 포함한 연구에서 근거 질이 향상되었습니다. 이러한 결과는 향후 ASD 진단 시스템이 예측 정확성뿐만 아니라 검증, 엄격성, 재현성을 우선시해야 함을 시사합니다.

표 6은 ASD 진단 AI 시스템에 대한 평가 기준의 상대적 중요성을 요약합니다. 민감도, 특이성, 외부 검증, 해석 가능성, 공정성 평가, 배포 타당성이 임상 번역의 핵심 요소로 부상했습니다. 진단 정확성은 여전히 중요하지만, 분석 결과 단일 지표만으로는 임상적 유용성을 입증하기에 충분하지 않음을 보여줍니다. 오히려 의료 환경에서 의미 있는 채택을 위해서는 성능, 신뢰성, 투명성, 검증 증거의 조합이 필요합니다.

표 7에 제시된 모달리티 수준 종합은 ASD 진단 접근법 간 증거 성숙도의 차이를 더욱 보여줍니다. 신경영상 기반 방법은 강력한 진단 성능을 보였으나, 데이터셋 의존성 및 외부 검증과 관련된 한계가 자주 나타났습니다. 행동 및 시선 기반 접근법은 해석 가능성과 실행 가능성을 개선했으며, 다중 모달 및 연합 학습 프레임워크는 수행, 검증 성숙도, 임상 준비 상태 간의 가장 강한 전반적인 균형을 보였습니다. 마이크로바이옴 분석, 음성-음향 바이오마커, XR 기반 시스템을 포함한 신흥 접근법은 여전히 유망하지만, 광범위한 임상 적용을 위해서는 더 큰 검증 연구가 필요합니다.

이 결과들은 ASD 진단 AI의 미래가 성능 최적화만이 아니라 다중 모달, 외부 검증, 해석 가능, 프라이버시 보호 프레임워크에 의존할 가능성이 높음을 보여줍니다. 이 종합은 임상 준비도가 예측 정확도뿐만 아니라 검증 품질, 투명성, 확장성, 실제 적용 가능성에 의해서도 결정된다는 점을 강조합니다.

Conclusions

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

본 리뷰는 자폐 스펙트럼 장애(ASD) 진단 및 분석에서 머신러닝(ML)과 딥러닝(DL)의 역할이 확대되고 있음을 보여줍니다. 검토된 연구들 전반에 걸쳐 계산적 접근법이 기능적 자기공명영상(fMRI), 뇌파(EEG), 행동 영상, 장내 미생물군 프로필, 음성-음향 신호 등 다양한 데이터 방식에 적용되었습니다. 전통적인 ML 분류기, 특히 지원 벡터 기계(SVM)와 랜덤 포레스트(RF)는 해석 가능성과 구조화된 데이터셋에서의 효과성 때문에 여전히 널리 사용되었습니다. 동시에, 합성곱 신경망(CNN), 그래프 신경망(GNN), 하이브리드 프레임워크 등 고급 DL 아키텍처는 고차원 신경영상 및 멀티모달 응용에서 강력한 성능을 보여주었습니다.

검토된 연구 중 Toranjsimin 등³⁷ 과 Jain 등³³ 이 보고한 딥러닝 아키텍처는 신경영상 및 생리학적 데이터셋에서 강력한 진단 성과를 거두었습니다. Wang 등(⁴⁰ )이 제안한 연합 학습 프레임워크와 Jung 등⁽¹⁰ ), Qing 등(³⁰ )이 보고한 설명 가능한 AI 접근법은 ASD 진단 시스템에서 개인정보 보호, 투명성, 임상적 신뢰의 중요성이 커지고 있음을 더욱 강조했습니다. 또한, Han 등⁹, Su 등⁴², Olaguez-Gonzalez 등⁴⁹가 보여주듯, EEG, 시선 추적, 마이크로바이옴, 행동 데이터를 통합한 다중 모달 접근법은 ASD의 이질적 특성을 해결하기 위해 상호 보완적인 정보원을 결합하는 가치를 강조했습니다.

연구 결과는 ML/DL 시스템이 독립적인 진단 대체가 아니라 임상 의사결정 지원 도구로 간주되어야 함을 시사합니다. 많은 연구가 높은 분류 성능을 보고했지만, 정확성만으로는 임상적 유용성을 평가하기에 충분하지 않습니다. ASD 진단 시스템의 번역 가능성을 평가할 때 민감도, 특이성, 보정성, 공정성, 해석 가능성, 외부 검증 모두 똑같이 중요합니다. 이 리뷰에서 종합된 증거는 검증 절차, 외부 테스트, 배포 타당성이 제한적일 때 강한 보고된 성능이 반드시 임상 준비 상태를 의미하지는 않는다는 점을 보여줍니다.

향후 연구는 외부에서 검증된 다중 모달 데이터셋, 표준화된 평가 프레임워크, 해석 가능한 모델 아키텍처, 그리고 프라이버시를 보호하는 협력적 학습 접근법을 우선시해야 합니다. Zhao 등⁴⁵ 가 조사한 확장 현실 플랫폼과 Quillet 등³⁴가 탐구한 바이오마커 기반 정밀 접근법 등 신기술은 개인 맞춤형 평가 및 개입의 유망한 기회를 제공합니다. 궁극적으로 AI가 일상적인 ASD 치료에 성공적으로 통합되려면 엄격한 검증, 투명한 보고, 공정성 평가, 그리고 정확하고 해석 가능하며 임상적으로 적용 가능한 확장 가능한 시스템 개발에 달려 있습니다.

figure-results-1
그림 1: 검토된 ASD AI 연구들 간의 비교 성과 지표. 그림은 리뷰에 포함된 개별 연구의 보고된 정확성, 민감도, 특이도 값을 참조 번호별로 정리하여 제시합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

figure-results-2
그림 2: ASD AI 연구에서 보고된 정확성과 민감도의 관계. 산점도는 검토된 ASD 기계 학습 및 딥러닝 연구들 전반에 걸쳐 보고된 진단 정확도와 민감도 간의 연관성을 보여줍니다. 각 마커는 정확도와 민감도 값이 명시적으로 보고된 개별 연구를 나타냅니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

figure-results-3
그림 3: ASD AI 모달리스 간 검증 성숙도와 편향 위험 분포. 그림은 fMRI/sMRI, EEG/ERG, 행동 비디오/시선/VR, 마이크로바이옴 및 바이오마커 기반 접근법, 음성-음향 방법, 연합 또는 다중 모달 AI 프레임워크, XR 기반 개입 플랫폼 등 주요 ASD 관련 데이터 방식에 걸친 연구들의 검증 성숙도를 요약합니다. 각 마커의 수평 위치는 내부 검증부터 교차 검증/반복 검증, 다중 사이트 또는 연합 학습(FL) 검증, 외부 또는 교차 코호트 검증까지 주요 검증 성숙도 수준을 반영합니다. 버블 크기는 각 모달리티 그룹의 연구 수를 나타냅니다. 마커 모양은 위험 편향 신호를 나타냅니다. EV+는 더 강한 외부 또는 교차 코호트 증거를 나타냅니다; EV limited는 외부 검증이 부재하거나 불명확함을 나타냅니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

figure-results-4
그림 4: ASD AI 기법 전반에 걸친 임상 준비도 합성 매트릭스. 히트맵은 임상 번역과 관련된 6가지 차원(데이터셋 성숙도, 검증 성숙도, 외부 검증, 해석 가능성, 배포 타당성, 전반적인 임상 준비도)에 대한 모달리티 수준 종합 점수를 요약합니다. 점수는 1에서 3까지 범위가 있으며, 1은 제한된 증거, 2는 중간 정도의 증거, 3은 강력한 증거를 나타냅니다. 매트릭스는 모델 성과와 임상 성숙도를 구분합니다. 증거가 단일 사이트에만 국한되거나 외부 검증되지 않거나 배치가 어렵다면 모달리티는 높은 정확도를 보고하면서도 중간 정도의 준비 점수를 받을 수 있습니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

figure-results-5
그림 5: 임상 준비도 합성 점수와 ASD AI 연구 전반에 걸친 진단 정확도 보고. 각 점수는 임상 준비도, 종합 점수, 명시적으로 보고된 정확도에 따라 개별 연구의 위치를 나타냅니다. 색상은 fMRI/sMRI, 행동 비디오/시선/VR, 연합 또는 다중 모달 AI, EEG/ERG, 음성/음향 분석, 마이크로바이옴/바이오마커/유전자 기반 접근법 등 주요 데이터 양식 또는 방법론적 범주를 나타냅니다. 가로 점선은 90% 정확도 임계값을 나타내며, 시각적 참고용으로 포함되어 있습니다. 명시적으로 보고된 정확도 값만 그래프로 표시되며; NR 정확도를 가진 연구는 이 축에 포함되지 않습니다. 도표는 검증, 외부 테스트, 배포 증거가 약할 때 매우 높은 정확도가 임상적 성숙도를 자동으로 의미하지는 않는다는 것을 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

figure-results-6
그림 6: ASD AI 기법 전반에 걸친 방법론적 위험 신호의 근거 지도. 히트맵은 fMRI/sMRI, EEG/ERG, 행동 비디오 및 시선 분석, 마이크로바이옴 기반 접근법, 음성-음향 기법, 연합/다중 모달 AI 프레임워크, XR 기반 개입 플랫폼 등 주요 ASD 관련 데이터 방식의 방법론적 위험 수준을 요약합니다. 위험 수준은 표본 크기 불확실성, 단일 사이트 또는 ABIDE 의존, 외부 검증 부족, 데이터 유출 또는 과적합 우려, 제한된 공정성/보정 평가, 배포 장벽 등으로 낮음(1), 중간(2), 높음(3)으로 분류되었습니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

figure-results-7
그림 7: ASD AI 진단 성과에 영향을 미치는 요인 요약. 패널들은 데이터 모달리티, 알고리즘 범주, 데이터셋 크기, 해석 가능성 접근법, 계산 효율성 방법, 그리고 신흥 AI 기법 전반에 걸쳐 보고된 정확도를 비교합니다. 종합적으로 결과들은 다중 모달 학습, 고급 딥러닝 아키텍처, 데이터셋 특성, 방법론적 혁신이 ASD 진단 성능에 미치는 영향을 강조합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

표 1: 연구 선정에 사용된 적격 기준. 이 표는 문헌 선별 및 연구 선정 시 적용된 포함 및 제외 기준을 요약한 것입니다. 이 기준들은 자폐 스펙트럼 장애(ASD) 진단과 머신러닝(ML) 및 딥러닝(DL) 접근법을 활용한 분석에 적합한지 확인하기 위해 설계되었습니다. 약어: ASD = 자폐 스펙트럼 장애; ML = 머신러닝; DL = 딥러닝; AI = 인공지능; EEG = 뇌파; fMRI = 기능적 자기공명영상; MRI = 자기공명영상. 이 표를 다운로드하려면 여기를 클릭해 주세요.

표 2: ASD 진단 및 분석을 위한 머신러닝과 딥러닝 접근법의 비교 분석 (연구 [1]–[25]). 이 표는 자폐 스펙트럼 장애(ASD) 진단 및 분석을 위한 기계 학습 및 딥러닝 접근법의 사용된 방법, 주요 발견, 강점과 한계를 포함한 연구 [1]–[25]를 요약합니다. 연구들은 신경영상, EEG, 시선 추적, 가상현실, 마이크로바이옴, 웨어러블 센싱, 멀티모달, 연합 학습 프레임워크를 포함합니다. 약어: ASD = 자폐 스펙트럼 장애; ML = 머신러닝; DL = 딥러닝; Q-CNN = 양자화된 합성곱 신경망; FL = 연합학습; ET = 시선 추적; EEG = 뇌파; VR = 가상현실; Ho-FCN = 고차 기능 연결 네트워크; FC = 기능적 연결성; ADOS = 자폐 진단 관찰 일정; ROI = 관심 지역; CNN = 합성곱 신경망; DTPSO = 딥퍼-스로트 입자 군집 최적화; Grad-CAM = 경배 가중 클래스 활성화 매핑; sMRI = 구조적 자기공명영상; RAGNN = 지역-비대칭 적응 그래프 신경망; rs-EEG = 안정 상태 뇌파도; AUC = 곡선 아래 면적; HRV = 심박수 변이성; REFS = 재귀적 앙상블 피처 선택; RF = 랜덤 포레스트; SMOTE = 합성 소수 과잉 샘플링 기법; ABIDE = 자폐 뇌 영상 데이터 교환. 이 표를 다운로드하려면 여기를 클릭해 주세요.

표 3: 신흥 및 고급 ASD 진단 프레임워크의 비교 분석 (연구 [26]–[50]). 이 표는 연구 [26]–[50]을 요약하며, 사용된 방법, 주요 발견, 고급 ASD 진단 접근법의 강점과 한계를 포함합니다. 연구들은 멀티모달 학습, 바이오마커, EEG/fMRI 분석, 마이크로바이옴 프로파일링, 연합 학습, 그래프 신경망, 확장현실(XR) 및 기타 신흥 AI 프레임워크를 포함합니다. 약어: ASD = 자폐 스펙트럼 장애; ML = 머신러닝; MRI = 자기공명영상; fMRI = 기능적 자기공명영상; EEG = 뇌파; ERG = 망막전도술; ADHD = 주의력 결핍/과잉행동장애; TFS = 시-주파수 스펙트럼 분석; TDA = 위상 데이터 분석; ReHo = 지역 동질성; DNN = 심층 신경망; TD = 일반적으로 성장 중; ISAA = 인도 자폐 평가 척도; DCD = 발달 협응 장애; XWT = 교차 웨이블릿 변환; CSTO-DRN = 연대순 재봉 훈련 최적화–심층 잔류 네트워크; MCDM = 다중 기준 의사결정; FedHNN = 연합 하이퍼그래프 신경망; FL = 연합학습; GNN = 그래프 신경망; AUC = 곡선 아래 면적; CNN = 합성곱 신경망; LSTM = 장기 단기 기억; XR = 확장 현실; MR = 혼합 현실; DQNN = 심층 양자화 신경망; FSDTBO = 분수 사회 운전 훈련 기반 최적화; AUROC = 수신기 작동 특성 곡선 아래 면적; DSM = 정신 장애 진단 및 통계 편람; ABIDE = 자폐 뇌 영상 데이터 교환. 이 표를 다운로드하려면 여기를 클릭해 주세요.

표 4: 연구별 개정 비교 성과 및 근거 질 매트릭스 [1]–[25]. 이 표는 검증 성숙도, 외부 검증 상태, 임상 적용 가능성, 주요 방법론적 한계를 포함하여 예측 성과 근거 질을 구분합니다. 이 프레임워크는 연구 신뢰성과 번역 잠재력에 대한 보다 균형 잡힌 평가를 지원합니다. 약어: ASD = 자폐 스펙트럼 장애; AUC = 곡선 아래 면적; AUROC = 수신기 작동 특성 곡선 아래 면적; EEG = 뇌파; fMRI = 기능적 자기공명영상; MRI = 자기공명영상; FL = 연합학습; XAI = 설명 가능한 인공지능; NR = 미보고. 이 표를 다운로드하려면 여기를 클릭해 주세요.

표 5: 연구의 수정 비교 성과 및 근거 질 매트릭스 [26]–[50]. 이 표는 근거 질 평가를 26–50 연구까지 확장하며, 방법론적 한계, 검증 엄격성, 해석 가능성, 배포 타당성을 진단 성과 보고와 함께 포함합니다. 약어: ASD = 자폐 스펙트럼 장애; ML = 머신러닝; DL = 딥러닝; EEG = 뇌파; ERG = 망막전도술; AUC = 곡선 아래 면적; AUROC = 수신기 작동 특성 곡선 아래 면적; XR = 확장 현실; FL = 연합학습; NR = 미보고. 이 표를 다운로드하려면 여기를 클릭해 주세요.

표 6: ASD 진단 AI 연구의 평가 기준 우선순위. 이 표는 ASD 진단 인공지능 시스템에 대한 평가 기준의 상대적 중요성을 순위 매기며, 예측 성능과 임상 적용 가능성의 차이를 강조합니다. 이 프레임워크는 실제 의료 환경에 신뢰성 있게 적용되기 위해 필요한 요소들을 강조합니다. 약어: ASD = 자폐 스펙트럼 장애; AI = 인공지능; AUC = 곡선 아래 면적; AUROC = 수신기 작동 특성 곡선 아래 면적; XAI = 설명 가능한 인공지능; ML = 머신러닝; DL = 딥러닝. 이 표를 다운로드하려면 여기를 클릭해 주세요.

표 7: 성과와 근거 질을 구분하는 응축 구조화 합성표. 이 표는 검토된 연구들 전반에 걸친 모달리티 수준의 근거를 요약하여, 보고된 진단 성과, 검증 성숙도, 임상 준비도, 주요 방법론적 한계를 포함합니다. 이 종합은 ASD 진단 접근법 간 번역 잠재력의 차이를 강조합니다. 약어: ASD = 자폐 스펙트럼 장애; fMRI = 기능적 자기공명영상; sMRI = 구조적 자기공명영상; EEG = 뇌파; ERG = 망막전도술; VR = 가상현실; XR = 확장 현실; AI = 인공지능; AUC = 곡선 아래 면적; AUROC = 수신기 작동 특성 곡선 아래 면적; NR = 미보고. 이 표를 다운로드하려면 여기를 클릭해 주세요.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

저자들은 이 연구와 관련된 이해 충돌이 없다고 선언합니다.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

저자들은 이 연구를 지원해 준 학문적 환경과 자원을 제공해 준 VIT-AP 대학교에 감사의 뜻을 전합니다. 저자들은 또한 이 리뷰에 포함된 연구자들의 귀중한 기여에 감사를 표합니다. 이 연구는 외부 자금 지원을 받지 못했습니다.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

자폐 스펙트럼 장애 진단 및 분석을 위한 머신러닝 및 딥러닝 기법의 범위 설정 검토

In This Article

Summary

Abstract

Introduction

Review and Perspective

Conclusions

Disclosures

Acknowledgements

Reprints and Permissions

Tags

Related Articles