麦克斯（Max）六岁时，被确诊出患有自闭症。此前一年，麦克斯的幼儿园教师就从他的行为中，留意到一些蛛丝马迹。比如，这个小男孩会彻底沉浸于书中，疏忽身旁产生的全部。不过，直到麦克斯开端无视自己的教师，爸爸妈妈才找来儿童心理学家，对他进行评价。
麦克斯被确诊为轻度自闭症。有些挖苦的是，麦克斯的父亲马丁·斯坦纳（Martin Styner）是北卡罗来纳大学教堂山分校的精神病学和计算机学副教授，他职业生涯中很大一部分时刻都在研讨自闭症。斯坦纳感到十分疑问：莫非他一向在自我诈骗，才没能看到从前的种种预兆？
考虑到自闭症的杂乱性和多变性，即便是斯坦纳这样的专家也不能一望而知，这也不足为怪。即便发现了预兆，确诊也颇费时日：有时，家长要带着孩子，前往最近的一家自闭症诊所，承受面对面医治好几次，才干确诊。这样的诊所并不好约，并且预定到的医治时刻，或许是好几个月今后。
这种现状导致了自闭症检测的滞后：尽管早在2岁时，患儿就能得到精确确诊，但在美国，自闭症儿童的均匀确诊年纪为4岁。要知道，确诊越早，医治作用往往会越好。
AI确诊自闭症：手法牢靠 潜力无限有研讨人员表明，作为人工智能技术的一部分，机器学习正在不断展开，这有望缩短自闭症确诊的滞后时刻。详细而言，他们把期望寄予于最新版别的机器学习上，即深度学习。“自闭症一向都是机器学习的研讨方针之一。”斯坦纳说，“但它的手法与运用一直不行强壮，没能对临床确诊带来实质性的影响；不过，跟着深度学习技术的前进，这种局势正得到改观。” 深度学习的强壮之处在于，它能在各种特征组合之中，找出一些奇妙的行为特色，这些特色或简单被人忽视，或没有与自闭症挂钩。也便是说，深度学习很合适剖析自闭症的异质性特征，斯坦纳说。人类直觉和统计学剖析会寻觅一种单一特质，以一致差异自闭症和非自闭症儿童，这样的特质或许并不存在；而深度学习算法所找寻的，则是差异集群。
不过，这些算法仍是严峻依靠人类输入。为学习新任务，算法要用数据集进行“练习”。这些数据集经由人类的符号，一般包含数百或是数千个比如，其间有“对”，也有“错”，比如浅笑和没有浅笑的儿童。经过高强度练习，在其他范畴内，深度学习运用的精确性现已能够对抗人类专家，有的乃至超越了他们。
“我想，这些手法将来会变得很牢靠，并且是量化、可扩展的。它们还将提示出咱们此前未曾意识到的自闭症新方法、新信息。”杜克大学精神病学与行为科学教授杰拉尔丁·道森（Geraldine Dawson）表明。她说，机器学习算法不只能协助临床医师及早挑选出自闭症儿童，还有望供给医治头绪。
不过，并不是所有人都看好算法的远景。不少专家指出，这些东西面对一些技术和道德上的妨碍，短期内不太或许跨越。深度学习——以及更广泛的机器学习——并不是什么“魔法棒”，南加州大学洛杉矶分校电气工程与计算机科学教授施里坎斯·纳拉亚南（Shrikanth Narayanan）说。自闭症的确诊，以及计算机的误差率，这些对自闭症儿童及其家庭都“影响深远”。但和该范畴许多人相同，他也达观地以为，机器学习能够将遗传学、脑成像和临床查询等范畴的自闭症研讨整合起来。“对整个自闭症谱系而言，其潜力不可限量。”他说。
应战：搜集很大都据为完成精确猜测，机器学习算法需求许多的练习数据。这给自闭症研讨构成了严峻的应战，由于大都触及确诊的数据都来自煞费苦心的临床查询，因而也十分有限。有研讨人员已开端运用带摄像头的移动设备或可穿戴传感器，追寻行为和生理信号（比如四肢动作和目光），以期树立更大的数据集。
2016年，欧洲的DE-ENIGMA项目根据62名英国自闭症儿童和66名塞尔维亚自闭症儿童，开端构建首个免费拜访的大型数据库。到现在，该数据集已包含152个小时的视频，记载的均为这些儿童与大人以及机器人的互动。“这个项目的首要方针之一，便是创立一个数据库，用于练习机器学习，使之能辨认心境和表情。”DE-ENIGMA机器学习专家、伦敦帝国学院计算机科学家沈捷表明。
杜克大学的道森团队也在搜集自闭症儿童的视频，它凭借的是为“自闭症及其他”（Autism and Beyond）项目开发的一款移动运用。2017年，也便是该项目发动的头一年，1700多个家庭参加其间，上传了约4500段患儿视频，并答复了查询问卷。“咱们一年搜集到的数据，专家们或许要终身才干积累起来。”杜克大学电气与计算机工程学教授吉列尔莫·萨皮罗（Guillermo Sapiro）说。他正在开发该运用的下一个迭代版别。
该团队也在练习一个深度学习算法，用于解读视频中的行为，并检测某些特定行为——道森称之为“数字表型”。在国际自闭症研讨学会本年的年会上，道森展现了针对104名幼儿的研讨成果，其间包含22名自闭症患儿。平板电脑的摄像头记载了这些孩子的面部表情和头部动作。算法从中发现了一个规则：当有人呼喊自闭症儿童的姓名时，他们的反应会推迟两秒钟。道森指出，这种细微推迟很简单被临床医师忽视，但对自闭症而言，这是一种重要的警示信号。
但这种方法有一个缺陷：在实验室或诊室的架构之外搜集数据，有时会乱了规矩。萨皮罗说，在“自闭症及其他”项目中，算法对一位参加者的评价令他感到疑问。那位小女子既体现出相应发育阶段的典型行为，也体现出一些非典型行为。萨皮洛观看了女孩的视频，很快，他发现了是怎么回事：白日，她的行为是典型的，但到了晚上，也便是疲乏时，非典型行为就呈现了。
若能结合传感器捕捉到的儿童行为信息，研讨人员的解读或许能愈加驾轻就熟。在亚特兰大的乔治亚理工学院，一个科学团队正在探究这一途径，他们称之为“行为成像”。格雷戈里·阿博德（Gregory Abowd）是其间一位科学家，他有两个儿子都患有自闭症。“大儿子不说话，小一点的那个说话，但不能有用交流。”阿博德说。他的大儿子两岁时被确诊患有自闭症，三年后，也便是2002年，他说，“我开端认真思考，作为一名计算机科学家，我能做些什么，去应对与自闭症有关的应战。”
乔治亚理工学院的科学家正在研讨传感器，用于追寻五花八门的生理与行为学数据。在一个项目中，他们运用了可穿戴加速器，监测或许预示着问题行为的身体动作，比如自我损伤。另一个项目中，他们在眼镜鼻梁上安摄像头，便于追寻儿童玩乐时的目光活动。
计算机科学家詹姆斯·雷格（James Rehg）说，这样做便是想练习机器学习算法，让它们能运用这些信号，自动判别出儿童最终能具有多少社会交流技术。“这是激动人心的年代中一个激动人心的范畴，而这正是由于，咱们在探究这么多的信号以及不同品种的信息。”雷格说。
有了全方位的行为数据，咱们还有望环绕与自闭症一起产生的症状，提取有用的头绪。海伦·艾格（Helen Egger）是纽约大学朗格尼医学中心儿童与青少年精神病学主席，她指出，更大的数据集或许有助于差异自闭症和其他症状——比如焦虑、多动症，剖析它们之间堆叠的行为特质。“这些东西有必要能运用于整个谱系，以便差异自闭症和非自闭症。”她说。
有研讨团队期望练习出愈加灵敏的机器学习模型，然后在行为症状显现之前，就将自闭症检测出来。
斯坦纳是“婴儿脑成像研讨”（IBIS）的一员，该研讨网络在美国具有四个站点。斯坦纳正和IBIS的搭档们运用深度学习，针对自闭症儿童的弟弟或妹妹（合计300余人），对他们的脑部扫描进行剖析。科学家现已知道，这些“弟弟妹妹”患自闭症的危险高于常人，因而在这个集体中，发现自闭症预兆的机率也会更高。2017年，IBIS发布了两项研讨，其机器学习算法发现了一些特定的脑部发育和神经衔接方法，并且，在算法所作的自闭症确诊猜测中，80%都是精确的。
“咱们的研讨跟其他许多机器学习研讨有一个要害差异：咱们对后期确诊成果的猜测，是在症状呈现前作出的。”北卡罗来纳大学教堂山分校的约瑟夫·皮文（Joseph Piven）说，他是该校发育妨碍研讨所的精神病学教授兼主任，也是IBIS的一名研讨员。“若成果能成功仿制，它对临床实践显着会有协助。”
靠脑成像数据练习出来的机器学习，它所能供给的答案，或许不只限于确诊猜测中的“是”或“否”，斯坦纳说。它或许还能猜测儿童在自闭症谱系中所在的方位——从轻度一向到重度。“这是咱们的方针，从咱们还有其他人的研讨中能够看出，这必定有或许完成。”他说。
但脑成像数据的搜集遭到一个要素的约束：参加者有必要找到一台磁共振成像设备，可这些设备粗笨、贵重，并且用在儿童身上时，得分外稳重。要监测自闭症的前期症状，还有一个更灵敏的选项，那便是脑电图。它经过便携式的电极帽，对脑电活动打开监测。“在临床护理实践中，这仍然是仅有能广泛运用的脑丈量技术。”旧金山大学健康信息学、数据科学和临床心理学副教授威廉·博斯（William Bosl）表明。
机器学习算法仅仅脑电图这个等式中的榜首部分。第二部分被博斯称为“隐秘配方”，即经过计算机途径，给这些信号去噪，使数据中的方法更简单被检测出来。2018年的一项研讨中，博斯和搭档们运用这一算法组合，针对99名“弟弟妹妹”和89名低危险婴儿（其间最小的只需三个月），打开了继续近三年的脑电图监测。运用这些脑电图数据，猜测成果契合自闭症威望检测东西ADOS的轻重程度评分。
不过，研讨人员提示，这些算法的远景再光亮，也无法提示其猜测性发现的生物学含义。“计算机当然能从脑电图信号中，辨别出一些内容，但关于这些内容的实质，咱们无从了解。”波士顿儿童医院发育医学中心的研讨主任查尔斯·尼尔森（Charles Nelson）说，他是这项脑电图作业的领队之一。“或许它是一个很好的生物符号，可猜测后期成果，但它并未奉告咱们，这些儿童为何会得自闭症。”
与脑成像或行为学数据的研讨相同，脑电图研讨依靠的数据集也较小，这就导致一些扎手的问题。比如有时，一个算法对某个数据集已是一目了然，以至于无法将所学泛化，运用到更大、更杂乱的数据会集，博斯说。这种问题被称为“过度适配”。正由于它的存在，咱们就更有必要经过其他研讨，对成果打开验证，并且，这些研讨最好来自其他的独立团队。
当练习数据会集包含持平数量的自闭症与非自闭症儿童时，另一个常见的圈套就呈现了，斯坦纳说。实际情况是，自闭症患儿在所有儿童中的份额并非一半一半；在美国，这个份额挨近1：60。因而，当算法脱离练习数据，运用到实际国际时，辨别自闭症患儿的难度将大为添加：原先是从100捆稻草中寻觅100根缝衣针，现在要在6000捆稻草中寻觅100根针。
瓶颈怎么打破考虑到上述种种应战，许多自闭症研讨人员仍不肯匆促举动，将机器学习运用商业化。但有少数人与草创企业打开了协作，或自己兴办企业，以期打破自闭症筛查的瓶颈。
乔治亚理工学院的阿博德，一起也是爱达荷州Behavior Imaging公司的首席研讨官。该公司创立于2005年，创始人的儿子在3岁时，被确诊患有自闭症。该公司供给长途医疗解决方案，比如“天然查询确诊评价”运用，答应临床医师根据家长拍照并上传的视频，长途展开自闭症确诊。
Behavior Imaging有一项正在进行的研讨，旨在练习机器学习算法，以判定视频中儿童的行为。它们将这些行为辨别出来，再打上时刻戳，然后协助临床医师择取要点，避免他们自始至终观看整段视频。医师也能够对这些时刻点予以必定或纠正，协助改善算法。“这将成为一种临床决议计划辅佐东西，环绕实际中自闭症的非典型行为，不断丰富医师的专业常识。”Behavior Imaging创始人罗恩·奥伯莱特纳（Ron Oberleitner）说。
提到计算机辅佐的自闭症筛查，更有野心的愿景来自Cognoa——加州帕洛阿尔托的一家草创企业。该公司供给一款移动运用，根据约25个多选题和儿童活动的相关视频，向家长供给危险评价。Cognoa期望，它的另一款运用最终能取得美国食品药品监督管理局（FDA）的同意，该公司称，这款运用能协助儿科医师更好地确诊自闭症，并直接引荐确诊患儿承受医治。
Cognoa建立于2013年，创始人丹尼斯·沃尔（Dennis Wall）现为斯坦福大学研讨员。他说，继2012年宣布了两篇论文后，他开端深信，其机器学习算法能够经过练习，使自闭症确诊在精确度和速度方面，都超越ADOS和ADI-R这两种筛查东西。“咱们稳稳地迈出了一步，也为未来的作业奠定了坚实的根底。”沃尔说。
但沃尔宣布于2012年的论文并未让所有人服气。包含纳拉亚南在内，多名批评者在2015年的一篇剖析中指出，两项研讨运用的数据集较小，只将严峻自闭症儿童归入考量，而将最杂乱、最难确诊的自闭症方法扫除在外。他们指出，在实际国际中，沃尔的算法会漏诊许多临床医师不会错失的病例。2014年，沃尔又宣布研讨称，在另一个包含中度谱系妨碍的独立数据会集，该算法的体现仍然很好。他供认，2012年的研讨中运用的数据集的确较小，但也表明，后来的研讨运用了更大的数据集，而算法所得成果仍然建立。
2016年，纳拉亚南和协作者们也描绘了一种方法，经过机器学习来简化自闭症的筛查与确诊。在定论中，他们提示咱们留意：算法练习中，用到的数据集来自那些自动为子女寻求自闭症确诊的家长。因而，算法尽管体现杰出，但有待投入更大、更多样化的人口之中，承受进一步查验。“咱们能够对照临床仪器的算法，对机器学习进行微调，这里有很大的改善空间。”纳拉亚南的协作者、科技草创企业Yomdle的资深科学家丹尼尔·伯恩（Daniel Bone）表明。“相较于近几十年所用的统计学方法，机器学习是否带来了里程碑式的前进？我没有看到这方面的清晰依据，包含在我自己的研讨中。”
但一味地搜集数据，用来练习机器学习算法，也不一定管用，伯恩的协作者凯瑟琳·洛德（Catherine Lord）说。她是自闭症和脑展开中心的创始人，也是ADOS的开发人。洛德指出，有时，一种算法看似成功，它有着清楚明了的原因，仅仅不被供认算了。例如，男孩确诊自闭症的概率是女孩的四倍，而比如有这么一项机器学习研讨，它看似成功猜测了自闭症与非自闭症的差异，但实际上，它所检测到的，或许仅仅性别差异，或是智力差异。“错不在机器学习。”洛德说，“而在于人类评定，以及一种遍及观念，即只需研讨方针足够多，你就无所不能。”
有团队声称，机器学习猜测自闭症的精确率能够远超95%，但研讨人员表明，在更严厉的测验条件下，这种份额是经不起查验的。只需一日不到达这一水准，算法的临床运用就遥遥无期。并且，没有经验丰富的确诊医师供给指引、参加研制，它就企及不了这样的高度：在解读已有数据时，要辨认并避开显着的圈套，咱们离不开专业的临床常识。
“整体而言，我以为最大的问题是，在数据发掘方面具有专业常识的那些人，他们进入的是自己不明白的数据集，由于他们没有临床视角作为指引。”华盛顿大学儿科学副教授弗雷德·谢克（Fred Shic）说，“咱们很有必要展开多方协作，发掘更深层次的本相；咱们要让涉猎各范畴的人坐到一块儿，通力协作。”期刊修改人员也应在机器学习范畴，寻觅具有专业常识的人，去审理相关的自闭症研讨，他说。
谢克还参加开发了一款平板运用，名为耶鲁自适应多媒体挑选器（Yale Adaptive Multimedia Screener），它运用视频叙说方法，回答家长有关儿童行为的问题。“我以为，它有许多优势。”他说，“但我不想夸大其词，由于对这种东西而言，许多当地都或许犯错。”谢克还说，要把握更多，研讨人员需求展开更大规划的研讨，以及愈加长时间的追寻查询。
谢克说，他养成了一个习气，便是严厉审阅其他研讨人员运用的方法，并查看他们可曾运用独立数据集，到达相同的精确度。“当然，咱们会看到许多发展，但也会看到许多糊弄人的东西。”他说，“所以，咱们有必要坚持警惕和置疑，坚持批评的眼光，就像对待其他新生事物相同；尽管算法是树立在数学的根底之上，但并不等于它就愈加可信。”
还有人指出，数学永久也解决不了机器学习确诊自闭症所触及的道德问题。“咱们真的不应该把确诊——哪怕是前期确诊——的权利，交到机器手中，然后经由机器，向家族传达信息。”波士顿大学自闭症研讨中心主任海伦·塔格-弗拉斯贝格（Helen Tager-Flusberg）说，“自闭症作为一种神经发育妨碍，有时或许是灾难性的，在将孩子患有自闭症的或许性奉告家长时，咱们应十分稳重。”
斯坦纳则指出了“假阳性”的或许，比如说某个小孩因动作缓慢，而被计算机误诊为自闭症。“假如一个小孩没有自闭症，但Cognoa这样的东西却猜测其或许患有自闭症，那它就会形成损害，很严峻的损害。”他说，“除非你的猜测依据确凿，不然，一旦呈现假阳性，你还说什么不违背道德道德？”
在斯坦纳的家中，工作比他料想的要好。儿子麦克斯现已11岁，学习上很有天分，也经过交际技术班和每周一次的儿童游戏班，获益不浅。他的情况十分好，或许现已达不到自闭症的确诊门槛，斯坦纳说。
不过，身为自闭症儿童的父亲，关于家长们想拿到前期筛查与确诊成果的急迫心境，斯坦纳十分能了解——这也仍然鼓励着他，去发掘机器学习的潜力。“家长们不光想知道确诊成果，还想知道症状轻重意味着什么，这种急迫的心境我彻底能够了解。”他说，“要是我，我必定也想知道。”
翻译：雁行
校正：李莉
修改：漫倩
来历：The Atlantic
造就：剧院式讲演，发现创造力更多精彩内容，敬请点击蓝字“了解更多”。