美国最新研究：看10分钟视频再玩1个小游戏，就能筛查自闭症？

9月26日，中山大学附属第三医院邹小兵教授团队的自闭症人工智能辅助诊断系统“荧惑”，在广东省首届优秀生物医药成果发布暨转化签约大会正式亮相。

无独有偶，9月初，亚特兰大儿童医疗保健中心著名的自闭症专家阿米·克林(Ami Klin)博士团队研发的自闭症辅助诊断设备EarliPoint的二代产品也通过了FDA认证，成为可供专业人员使用的自闭症辅助诊断设备。

10月2日，自闭症早期干预丹佛模式的联合创立者杰拉尔丁·道森 (Geraldine Dawson)博士领导的研究团队在《自然·医学》杂志上发表了一篇新文章，也介绍了该团队开发的自闭症早期筛查APP。

及时发现、科学干预是改善自闭症儿童预后的关键，早期筛查和诊断非常重要。

这些可以客观量化自闭症相关症状的数字化设备的陆续推出，是不是意味着自闭症能否像其他疾病一样，通过检查一些客观的指标，就可以给出相对准确的判断？自闭症的数字化筛查和诊断时代要来了吗？我们距离自闭症从量表筛查、诊断到客观评判还有多远的距离？

自闭症早期干预丹佛模式的联合创立者

美国杜克大学自闭症和大脑发育中心主任

杰拉尔丁·道森博士 

Credit: Duke University School of Medicine 

只需要10分钟左右，即可做自闭症筛查

道森博士团队最近发表的研究主要由美国国立卫生研究院（NIH）下属的国家儿童健康和人类发展研究所（NICHD）资助，杜克大学James B. Duke 电气与计算机工程杰出教授吉列尔莫·萨皮罗（Guillermo Sapiro）是论文的共同第一作者。

他们应用计算机视觉技术、机器学习技术等开发了该APP，并将其命名为SenseToKnow，主要通过iPad等平板电脑设备运行。接受筛查的儿童只需要在该APP上观看大约10分钟的视频，以及玩一个小游戏，即可以完成筛查。

使用SenseToKnow进行自闭症筛查的流程示意图：a. 一位儿童在观看视频内容；b. 一位儿童在看完视频后玩戳泡泡游戏；c. 视频内容截图（绿色框为社交内容，黄色为非社交内容）  

这十分钟的视频内容主要包括社交相关视频和非社交类视频，依次是漂浮的泡泡、草地上的小狗（动画）、转陀螺、机械小狗、吹泡泡、互动教学、逗趣、玩积木等，最后是儿童喜欢的戳泡泡小游戏。在观看过程中，测试人员还会进行多次呼名测试，看儿童的反应，并通过APP自动记录。

在儿童观看视频、测试呼名反应和玩游戏的过程中，APP会记录儿童多达23种“数字表型”（Digital phenotypes），也就是观看屏幕的时间、对不同视频内容的关注时间和面部表情等整个测试过程的行为表现，然后运用机器学习技术，对儿童的表现进行分析并给出判断。

道森认为，相比之前得到广泛研究的眼动追踪等用于自闭症筛查和诊断的客观指标，SenseToKnow对包括眼动测试在内的多种“数字表型”进行记录和分析，能提供更为客观的筛查指标。她在杜克大学发布的新闻稿中表示，“这个筛查工具（SenseToKnow）捕获了参加测试的孩子们更广泛的行为，能更准确地反映自闭症的复杂性和多样性”。

有望提升自闭症早期筛查的准确率

 一共475 名17-36个月的儿童使用SenseToKnow 接受并完成了前述的测试内容。结果筛查出其中49人为阳性（筛查为自闭症），328人是阴性（筛查为神经典型），98人为发育迟缓（但没有自闭症）。此后，经过专业医师使用自闭症“金标准”自闭症诊断观察量表第二版（ADOS-2）并结合DSM-5标准诊断后，有6人为假阳性，63人为假阴性，对应的灵敏性为87.8%，特异性为80.8%。

同时，该团队结合美国2018年自闭症的1/44的人群发生率数据，对本研究中得出的阳性预测率（即筛查出阳性的儿童最终确诊为自闭症的比例）数据进行了修正，结果表明，如果将该APP广泛用于自闭症筛查，其检测为阳性的儿童，预计最终会有40.6%的被确诊为自闭症。

作者在论文中引用了另一项包含超过 25,000 名儿童的早期筛查大样本研究，结果表明，在包括中国、美国等全球多个国家得到广泛应用的自闭症早期筛查量表M-CHAT-R/F，其特异性较高，但敏感性较差，其阳性预测值仅为 14.6%。也就是说，M-CHAT-R/F确定为阳性的儿童，最终确诊为自闭症的比例只有不到15%。

在本研究中，作者也比较了APP检测和M-CHAT-R/F打分的筛查结果。有9名是被M-CHAT-R/F判断为非自闭症的儿童，但是被APP正确判断为自闭症，最终被“金标准”诊断为自闭症；40名被M-CHAT-R/F量表筛查出自闭症的儿童中，有2名最后被“金标准”诊断为神经典型，而APP筛查则对这40名儿童也做出了正确的判断。

综合两组数据，作者计算了在用M-CHAT-R/F量表进行自闭症早期筛查的同时使用SenseToKnow进行数字筛查后的准确性。应用前述的方法进行修正后，在使用两种方法均被筛查为阳性的儿童，预计其最后确诊为自闭症的概率能提高到 63.4%。

因此，作者团队希望该APP能作为一个自闭症筛查的客观、定量化工具，辅助初级保健机构提升自闭症早期筛查的准确性。他们认为，这套“定量、客观和可扩展”的数字表型分析APP，有望提高自闭症筛查的准确性，尤其是和早期筛查量表结合起来用的时候。

“就像人们去看医生一样，医生既会听他们描述自己的经历，也会使用温度计等客观的医学检查手段来获取更多信息”，道森表示，“对于自闭症来说，这样的客观测试一直缺失”。         

自闭症筛查和诊断将走向数字时代？

实际上，在道森等人发表SenseToKnow的研究论文之前，已有多个自闭症领域相关的数字筛查和诊断设备上市，比如此前亚特兰大儿童医疗保健中心著名的自闭症专家阿米·克林(Ami Klin)博士团体研发的自闭症辅助诊断设备EarliPoint，我国国内也有多个团队在进行自闭症诊断和干预相关的数字化设备的研发。上个月底，中山大学附属第三医院邹小兵教授团队研发的荧惑孤独症辅助诊断系统，也入围广东省首届优秀生物医药成果。

道森本人近年来的研究也集中在应用人工智能和数字化设备进行自闭症早期筛查方面，其承担的多个NIH的课题都集中在自闭症早筛的数字化研究方面。

此前她在对克林博士团队的辅助诊断设备撰写的评论文章中也表示，应该将评估社交注意力的眼动追踪测试，与自闭症的其他早期行为表现，比如对人不感兴趣、呼名反应表现差、情感和社交参与异常、缺乏手势沟通和运动发展迟缓等结合起来，这样将有可能提高自闭症筛查和诊断的准确性。

但这些数字化诊疗的设备和APP要大规模应用于临床还有一定的距离。自闭症诊断“金标准”ADOS-2的著作人、加州大学洛杉矶分校大卫·格芬医学院教授凯瑟琳·洛德（Catherine Lord）在同期配发的评论文章中表示，虽然SenseToKnow“具有许多令人印象深刻的功能”，但如果要在初级保健机构中使用此类工具，“还需要更高的可靠性，以及更强有力的验证。”

比如SenseToKnow虽然已经收集了多达23种“数字表型”，但与自闭症核心症状密切相关的刻板行为和重复性行为，目前尚未纳入到该APP中进行分析。同时，该工具能否在更大的人群样本中，比如不同的性别、人种和族群中表现出较好的一致性和稳定性，也需要进一步研究。

自闭症诊断“金标准”ADOS-2著作人之一

Catherine Lord博士为本研究撰写了评论文章 Credit: UCLA

洛德认为，包括SenseToKnow在内的自闭症数字化筛查设备要在初级保健机构中得到广泛的应用，首先还需要进一步提升准确性，确保初级保健机构工作人员在使用时，不会因此带来更多的困扰。同时，因为耻辱感、社会经济、接触高水平医生困难等方面的差异，低收入和偏远地区的人群，自闭症的漏诊情况非常严重，这种情况下，自闭症儿童能否得到科学、及时的筛查和诊断，能否给予合理的干预措施，家长对儿童典型发育和非典型发育情况的认识就非常重要。

因此，洛德表示，创建能够客观测量儿童发育的设备非常重要，“它提供了准确的信息，这些信息可用于提高父母和专业人员的意识，并帮助他们下一步的措施”。

对于以SenseToKnow为代表的这些数字化诊断设备而言，除了关注自闭症的早筛早诊之外，未来应该侧重于识别和监测导致自闭症的因素，比如受限的社交行为；或者是那些经常与自闭症同时出现的状况，比如运动障碍和发育迟缓，洛德认为。“展开这些方面的研究，是至关重要的”。