人工智能驱动的辅助技术对神经发育障碍儿童支持的系统性综述
作者及机构
本文由来自多个国际知名研究机构的学者团队共同完成，主要作者包括：
- Alen Shahini（意大利都灵理工大学BioLab）
- Aditya Prabhakara Kamath（美国布朗大学生物医学工程系）
- Ekta Sharma（澳大利亚南昆士兰大学数学与物理学院）
- Massimo Salvi（通讯作者，意大利都灵理工大学）
- 其他合作者来自新加坡国家心脏中心、澳大利亚维多利亚大学、查尔斯斯特大学等机构。
论文于2025年6月发表在期刊Information Fusion（Volume 124, 103441），采用开放获取形式。
研究背景与目标
神经发育障碍（Neurodevelopmental Disorders, NDDs）影响全球10%-20%的儿童，包括自闭症谱系障碍（Autism Spectrum Disorder, ASD）、注意力缺陷多动障碍（Attention-Deficit Hyperactivity Disorder, ADHD）和阅读障碍（Dyslexia, Dys）。这些疾病具有高度异质性，传统诊断和教育支持方法存在效率低、主观性强等问题。近年来，人工智能（Artificial Intelligence, AI）技术在医疗领域的应用为NDDs的精准诊断和个性化干预提供了新思路。
本文旨在通过系统性综述2018-2024年间84项研究，回答以下科学问题：
1. AI技术在ASD、ADHD和Dys中的应用模式和效果差异；
2. 多模态数据融合（Multimodal Data Fusion）对诊断准确性的提升作用；
3. AI辅助工具在临床转化中的挑战与未来方向。
主要观点与论据
1. AI技术在NDDs中的分布与技术偏好
研究显示，AI应用在三种疾病中的分布不均：ASD相关研究占比56%，ADHD占36%，Dys仅8%。技术选择上：
- 机器学习（Machine Learning, ML）：随机森林（Random Forest, RF）和支持向量机（Support Vector Machine, SVM）是主流算法，例如Zhang等（2023）通过SVM分析儿童游戏行为数据，实现ASD与典型发育儿童分类准确率96.67%。
- 深度学习（Deep Learning, DL）：卷积神经网络（Convolutional Neural Network, CNN）在ASD研究中表现突出，如Castellanos等（2022）开发的移动语言治疗应用，通过CNN实现99.8%的准确率。
*支持数据*：附录表A1-A3详细列举了各研究的算法性能，其中DL在ASD诊断中的平均准确率超过90%。
2. 多模态数据融合的显著优势
31%的研究采用多模态方法（如结合EEG、眼动追踪和临床量表），其诊断准确性显著高于单模态（69%的研究）。例如：
- Chen等（2024）融合EEG与行为特征检测ADHD，准确率达97.4%；
- Zhong等（2023）结合眼动与书写分析筛查Dys，准确率81.14%。
*技术难点*：数据异构性要求先进的融合策略，如多核学习（Multiple Kernel Learning, MKL）和动态特征对齐（Dynamic Feature Alignment）。
3. 临床转化的核心挑战
尽管实验室环境下AI工具表现优异（如Mandal等（2024）的EEG-based ADHD检测模型准确率92.4%），但实际应用面临以下问题：
- 数据噪声：家庭或学校环境中传感器数据质量不稳定；
- 纵向评估缺失：现有工具缺乏长期跟踪能力，而NDDs需动态干预；
- 隐私保护：儿童生理数据需符合GDPR等法规，联邦学习（Federated Learning）被视为潜在解决方案。
4. 未来研究方向
作者提出三大趋势：
- 移动与可穿戴设备整合：如Lee等（2022）通过骨骼动作分析ADHD的移动端模型（准确率97%）；
- 生成式AI的应用：利用生成对抗网络（Generative Adversarial Networks, GANs）解决数据稀缺问题；
- 人机协同决策：AI应辅助而非替代临床专家，例如开发可解释性强的模型以支持医生判断。
论文价值与意义
1. 学术价值：首次跨疾病比较AI在NDDs中的应用模式，揭示了技术选择与疾病特性的关联性；
2. 临床意义：为开发基于多模态数据的标准化诊断工具提供方法论指导；
3. 社会影响：推动政策制定者关注AI技术在特殊教育中的普惠性应用，如澳大利亚已正式将ADHD/ASD/Dys纳入残疾保障体系。
亮点总结
- 跨疾病分析框架：填补了既往综述仅关注单一疾病的空白；
- 技术深度剖析：从算法（如CNN、LSTM）到硬件（机器人、VR设备）的系统性分类；
- 前瞻性建议：提出隐私保护与纵向评估的解决方案，如差分隐私（Differential Privacy）和A/B测试框架。
其他重要内容
附录中详细列出的84项研究（表A1-A3）可作为后续研究的基准数据集。此外，作者强调需警惕AI工具的“过度工程化”，呼吁开发者优先考虑易用性和临床兼容性。