Ein weiterer Durchbruch in der KI! Identifizieren Sie den „unsichtbaren Killer“ von Kindern vor dem ersten Lebensjahr mit einer Genauigkeitsrate von über 80 %

Autismus wird zum „unsichtbaren Killer“ für Kinder.

Daten der Weltgesundheitsorganisation (WHO) zeigen, dass 1 von 100 Kindern autistisch ist und etwa 50 % von ihnen eine geistige Behinderung haben . Durch frühzeitiges Eingreifen können die sozialen und kognitiven Funktionen von Menschen mit Autismus deutlich verbessert werden. Allerdings ist eine frühzeitige Erkennung vor dem zweiten Lebensjahr der Kinder äußerst schwierig.

Nun soll künstliche Intelligenz (KI) menschlichen Ärzten dabei helfen, Autismus bei Kindern frühzeitig zu erkennen, bevor sie 12 Monate alt sind .

Ein von einem Forschungsteam am Karolinska Institutet entwickeltes KI-Modell zur multimodalen Datenanalyse kann nicht nur frühe Anzeichen von Autismus bei Kindern im Alter von etwa 12 Monaten erkennen, sondern weist auch eine Genauigkeitsrate von 80,5 % bei der Identifizierung von Kindern unter zwei Jahren auf. Noch wichtiger ist, dass für den gesamten Prozess nur relativ wenige Informationen erforderlich sind .

Die zugehörige Forschungsarbeit mit dem Titel „Machine Learning Prediction of Autism Spectrum Disorder From a Minimal Set of Medical and Background Information“ wurde in der wissenschaftlichen Zeitschrift Jama Network Open veröffentlicht.

Das Forscherteam erklärte, dass dieses Forschungsergebnis für Frühdiagnose- und Interventionsstrategien von großer Bedeutung sei. Die erfolgreiche Anwendung dieser Methode wird dazu beitragen, die Belastung der Familien und der Gesellschaft zu verringern und die Effizienz der Identifizierung von Patienten mit Autismus zu verbessern.

Mit einer Genauigkeit von über 80 % kann KI ein frühes Screening auf Autismus ermöglichen

Autismus, auch bekannt als Autismus-Spektrum-Störung (ASD), ist eine neurologische Entwicklungsstörung, die in der frühen Entwicklung beginnt und sich hauptsächlich durch „Defizite in der sozialen Interaktion und den Fähigkeiten zur sozialen Kommunikation“ und „eingeschränkte, sich wiederholende Verhaltensmuster, Interessen oder Aktivitäten“ äußert.

Eine frühzeitige Erkennung von Autismus ist für die Verbesserung der langfristigen Ergebnisse für die Patienten von entscheidender Bedeutung, insbesondere während einer kritischen Phase der Gehirnentwicklung bei Kindern. Aufgrund der Subjektivität und kulturellen Unterschiede herkömmlicher Screenings kann es leicht zu einer Verzögerung der Diagnose kommen, wodurch der optimale Zeitpunkt für eine Intervention verpasst wird.

Um diese Herausforderungen zu bewältigen, nutzte die Studie die Simons Foundation Powering Autism Research for Knowledge (SPARK), die derzeit größte verfügbare ASD-Forschungsdatenbank, um ein maschinelles Lernmodell auf der Grundlage minimaler Hintergrund- und medizinischer Informationen zu entwickeln, um ein früheres ASD-Screening zu erreichen.

Bei der Auswahl der Forschungsteilnehmer verwendete das Forschungsteam Daten von 30.660 Teilnehmern aus der SPARK-Datenbank (8. Version), darunter 15.330 Teilnehmer mit der Diagnose Autismus-Spektrum-Störung (ASS) und 15.330 Teilnehmer ohne Autismus-Spektrum-Störung (ASS). Die experimentelle Stichprobe ist nicht nur groß, sie umfasst auch Personen unterschiedlichen Alters, unterschiedlicher Rasse und unterschiedlichen Geschlechts, wodurch die breite Anwendbarkeit der Forschung gewährleistet wird.

Abbildung ｜ Demografische Details zum Forschungsthema SPARK (8. Version)

Um ein frühzeitiges Screening zu ermöglichen, wählte das Forschungsteam 28 Merkmale aus, die durch ein medizinisches Basisscreening und die Vorgeschichte von Kleinkindern vor dem 24. Lebensmonat ermittelt werden können. Dabei handelt es sich um 11 Indikatoren für ein medizinisches Basisscreening und 17 Daten zur Vorgeschichte.

Bei der Auswahl dieser Merkmale wurde besonderer Wert auf Verfügbarkeit und Unaufdringlichkeit gelegt, wobei in erster Linie auf von den Eltern übermittelten Informationen geachtet wurde. Im Vergleich zu anderen Studien, die auf komplexen medizinischen Tests oder genetischen Daten beruhen, macht diese vereinfachte Merkmalsauswahlmethode das Modell praktischer und verallgemeinerbarer und eignet sich insbesondere für ein frühes Screening.

Während des Modellentwicklungsprozesses entwickelten die Forscher vier verschiedene Modelle des maschinellen Lernens: Trainingsmodelle für logistische Regression, Entscheidungsbaum, Random Forest und XGBoost und verwendeten unabhängige Datensätze zur Überprüfung. Die Datensätze wurden in 60 % Trainingssätze, 20 % Validierungssätze und 20 % Testsätze aufgeteilt.

Abbildung ｜Leistung von Algorithmen des maschinellen Lernens auf einem kombinierten Datensatz aus medizinischen Screening- und historischen Hintergrundinformationen

Die Ergebnisse der Studie zeigten, dass das XGBoost-Modell (genannt AutMedAI) im Testsatz einen AUROC von 0,895 hatte, eine hohe Vorhersagegenauigkeit mit einer Genauigkeitsrate von 80,5 % zeigte und das Modell bei der Erkennung von ASD eine starke Leistung zeigte.

Abbildung | Leistung von Algorithmen des maschinellen Lernens, die medizinische Screenings und Hintergrunddaten kombinieren

Die Forscher verwendeten außerdem SHAP-Werte, um den Beitrag jedes Merkmals zur ASD-Klassifizierung zu bewerten und so die Interpretierbarkeit und Praktikabilität des Modells sicherzustellen. Die Ergebnisse der Studie zeigten, dass Entwicklungsverzögerungen oder -anomalien, wählerisches Essverhalten oder abnormales Essverhalten eine wichtige Rolle bei der Vorhersage von ASD spielten.

Darüber hinaus ergab die Studie, dass das Modell über alle Altersgruppen hinweg relativ konsistent funktionierte (AUROC für 0–2-Jährige betrug 0,868, AUROC für 2–4-Jährige betrug 0,920 und AUROC für 4–10-Jährige betrug 0,906), was seine Robustheit und Generalisierungsfähigkeit weiter bestätigt.

Ein bemerkenswertes Highlight dieser Studie ist die Breite und Vielfalt ihrer Daten sowie die vereinfachte Merkmalsauswahl. Die Studie nutzte eine umfangreiche Datenbank und leicht zugängliche Funktionen, um ein effizientes Frühscreening zu erreichen. Dieser Ansatz reduziert nicht nur die Screening-Kosten, sondern verbessert auch die Praktikabilität und Generalisierbarkeit des Modells.

Allerdings weist diese Studie einige Mängel auf. Erstens gibt es bei sich normal entwickelnden Kindern erhebliche Unterschiede hinsichtlich des Zeitpunkts, zu dem sie sprechen lernen und sauber werden. Darüber hinaus ist die Anwendbarkeit des Modells in einer größeren Bevölkerung und seine tatsächliche Wirksamkeit in klinischen Anwendungen durch die Forschung noch nicht vollständig bestätigt.

KI liefert neue Ideen für die Autismusbehandlung

Mit der kontinuierlichen Weiterentwicklung der KI-Technologie weitet sich auch die Anwendung von KI im Bereich Autismus allmählich aus. Neben der Früherkennung wird KI auch zur Entwicklung personalisierter Interventionspläne während der Autismusbehandlung und -rehabilitation eingesetzt.

Das Chengdu Frontier Brain-Inspired Artificial Intelligence Innovation Center hat beispielsweise ein präzises neuronales Interventionssystem auf Basis von Gehirnbildanalysetechnologie zur Behandlung und Rehabilitation von Autismus entwickelt. Gleichzeitig nutzen einige Forschungseinrichtungen KI-Technologien, um personalisierte Lernprogramme für autistische Kinder bereitzustellen, die ihnen dabei helfen sollen, sich besser in die Gesellschaft zu integrieren. KI kann Ärzte nicht nur bei der Entwicklung präziserer Behandlungspläne unterstützen, sondern auch die Behandlungsergebnisse verbessern.

Emo, ein von einem Forschungsteam der Columbia University entwickelter Roboter, kann kommende Gesichtsausdrücke 0,9 Sekunden vor dem menschlichen Lächeln vorhersagen und entsprechend reagieren. Diese Technologie demonstriert nicht nur das Potenzial der KI in der emotionalen Interaktion, sondern stellt auch einen wichtigen Fortschritt im emotionalen Verständnis der KI und im Aufbau von Vertrauen zwischen Mensch und Computer dar.

Eine andere Studie ergab, dass KI möglicherweise ähnliche Fähigkeiten wie die „Theory of Mind“ erworben hat. Dies bedeutet, dass KI den psychologischen Zustand von Menschen in bestimmten Situationen verstehen kann, z. B. beim „Entdecken falscher Ideen“, „Verstehen indirekter Rede“, „Erkennen von Unhöflichkeit“ usw. GPT-4, GPT-3.5 und Llama 2 haben in diesen Aspekten ähnliche oder sogar bessere Leistungen als Menschen erbracht.

Diese Erkenntnisse demonstrieren nicht nur die leistungsstarken Fähigkeiten der KI im Bereich des Emotionsverständnisses und der psychologischen Argumentation, sondern liefern auch neue Ideen für die weitere Anwendung der KI in der Autismusbehandlung. In Zukunft wird erwartet, dass KI eine größere Rolle beim emotionalen Verständnis, der sozialen Interaktion usw. von Kindern mit Autismus spielt und dadurch die Behandlungswirkung umfassend verbessert.