DOI: https://doi.org/10.3389/fpsyt.2025.1513809
PMID: https://pubmed.ncbi.nlm.nih.gov/40297334
تاريخ النشر: 2025-04-14
المؤلف: Sijun Zhang
الموضوع الرئيسي: البحث في اضطراب طيف التوحد
نظرة عامة
تقدم هذه القسم نظرة عامة على التحديات والتقدم في الفحص المبكر والتشخيص والتدخل في التوحد لدى الأطفال الصغار. يبرز أن الطرق التقليدية غالبًا ما تكون مستهلكة للوقت وتعتمد على الخبرة النفسية، مما يؤدي إلى تأخيرات في التشخيص، والتي تحدث عادة بعد سن السادسة. استجابةً لذلك، يتم استكشاف دمج الذكاء الاصطناعي (AI) وتعلم الآلة لتعزيز كفاءة هذه العمليات.
يتم تطوير طرق مدعومة بالذكاء الاصطناعي لتسهيل الفحص المبكر والتشخيص من خلال إنشاء نماذج تنبؤية للتقييمات السلوكية، وتحليل بيانات تصوير الدماغ والبيانات الجينية للتغلب على الحواجز التشخيصية المتعلقة بالعمر، وإنشاء أنظمة فحص ذكية للوصول الأوسع. بالنسبة للتدخل المبكر، يتم استخدام تقنيات الذكاء الاصطناعي لتصميم أنظمة تعليمية ذكية تعمل على تحسين بيئات التعلم، وتنفيذ أنظمة مراقبة ديناميكية للتقييم المستمر، وتطوير أنظمة دعم تلبي الاحتياجات المتنوعة للأطفال المصابين بالتوحد. تؤكد المراجعة على ضرورة إجراء المزيد من الأبحاث لإنشاء قواعد بيانات شاملة، وتعزيز قابلية تعميم تدخلات الذكاء الاصطناعي، وتحسين وظائف الأدوات المدعومة بالذكاء الاصطناعي لتقليل التكاليف ومعدلات الفشل في رعاية التوحد.
مقدمة
ت outlines مقدمة ورقة البحث التعقيدات المحيطة باضطراب طيف التوحد (ASD)، وهو حالة عصبية تنموية تتميز بالتحديات في التواصل الاجتماعي ووجود اهتمامات مقيدة وسلوكيات متكررة. تشمل الأسباب المتعددة للتوحد التأثيرات الجينية والبيئية والأمومية، مع اعتماد الممارسات التشخيصية الحالية بشكل كبير على المؤشرات السلوكية القابلة للملاحظة التي يقيمها أطباء نفسيون مدربون. يمكن أن يؤدي هذا الاعتماد على الخبرة المهنية إلى تأخيرات في التشخيص، وغالبًا ما يكون ذلك بعد العمر الحرج البالغ من العمر عامين، مما يعيق التدخل في الوقت المناسب الذي يمكن أن يخفف من العجز في الانتباه الاجتماعي واللغة والتطور المعرفي.
لمعالجة هذه التحديات، تؤكد الورقة على الحاجة الملحة لتحسين كفاءة الفحص والتشخيص، خاصة للأطفال الصغار. يدعو المؤلفون إلى تطوير علامات حيوية دقيقة ودمج الذكاء الاصطناعي (AI) كنهج واعد لتعزيز استراتيجيات الكشف المبكر والتدخل. يمكن أن تساعد قدرات الذكاء الاصطناعي في التعرف على الأنماط ومعالجة البيانات في تبسيط عملية التشخيص، مما يقلل من عدد عناصر التقييم المطلوبة وقد يؤدي إلى أتمتة التقييمات. علاوة على ذلك، تسلط الورقة الضوء على الاهتمام المتزايد في تطبيقات الذكاء الاصطناعي للتدخلات السلوكية، مثل مراقبة الاستجابات العاطفية لدى الرضع المصابين بالتوحد، مما قد يعزز الطرق العلاجية التقليدية. تهدف المراجعة إلى توحيد الأبحاث الحالية حول التقنيات المدعومة بالذكاء الاصطناعي التي تستهدف بشكل خاص الفحص المبكر والتشخيص والتدخل في التوحد لدى الرضع والأطفال الصغار وأطفال ما قبل المدرسة، مما يعالج فجوة كبيرة في الأدبيات الحالية.
الطرق
في هذه الدراسة، تم إجراء بحث شامل عبر عدة قواعد بيانات، بما في ذلك PubMed وPsychInfo وScopus، في 15 سبتمبر 2024، لتحديد الأدبيات المتعلقة بالفحص والتشخيص والتدخل المدعوم بالذكاء الاصطناعي للتوحد لدى الأطفال الصغار. استخدم البحث مصطلحات محددة تتعلق بالذكاء الاصطناعي والتوحد عبر مجموعات عمرية مختلفة، بما في ذلك الرضع والأطفال الصغار وأطفال ما قبل المدرسة، وتم تحديده للدراسات باللغة الإنجليزية المنشورة خلال السنوات الخمس عشرة الماضية. كانت معايير الإدراج تتطلب أن تظهر الدراسات دور الذكاء الاصطناعي في العمليات المتعلقة بالتوحد وأن تشمل الأطفال الصغار كمشاركين، بينما تم استبعاد الدراسات التي تفتقر إلى التقييم الكمي.
أسفر البحث الأولي عن 86 منشورًا، تم فحصها بشكل منهجي من قبل مقيمين مستقلين. بعد إزالة التكرارات وتطبيق معايير الإدراج/الاستبعاد، تم استبعاد 34 منشورًا لعدم تضمينها للأطفال الصغار أو لفشلها في إظهار العمليات ذات الصلة. من بين 45 ورقة تم اختيارها للمراجعة الكاملة، تم استبعاد 8 أخرى بسبب غياب التقييم الكمي. في النهاية، تم تضمين 37 دراسة في المراجعة، مما يعكس عملية اختيار صارمة، كما يتضح من اتفاقية عالية بين المؤلفين (معامل كوهين K البالغ 0.97).
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدم والتحديات في الفحص المبكر والتشخيص المدعوم بالذكاء الاصطناعي للتوحد لدى الأطفال الصغار. تعتبر الطرق التشخيصية التقليدية، مثل جدول ملاحظات تشخيص التوحد ومقابلة تشخيص التوحد – النسخة المنقحة، موثوقة ولكنها تستغرق وقتًا طويلاً، مما يعيق التدخل المبكر. بالمقابل، تستفيد طرق الذكاء الاصطناعي من البيانات السلوكية والبيانات الإشعاعية لإنشاء نماذج تنبؤية تعزز كفاءة التشخيص، على الرغم من أنها لا تزال تتطلب إشراف الخبراء. ومن الجدير بالذكر أن أساليب تعلم الآلة أظهرت وعدًا، حيث حققت النماذج معدلات دقة عالية، مثل دقة 99.97% في تشخيص الأطفال الذين تتراوح أعمارهم بين 13 إلى 48 شهرًا باستخدام نموذج شجرة قرار مبسط.
علاوة على ذلك، يوفر دمج الذكاء الاصطناعي مع بيانات التصوير العصبي والبيانات الجينية طرقًا جديدة للتشخيص المبكر، بغض النظر عن مستويات التطور المعرفي. تعمل تقنيات مثل الإشعاعيات على أتمتة تحليل تصوير الدماغ، بينما تساعد تعلم الآلة في تحديد الطفرات الجينية المرتبطة بالتوحد. لقد ظهرت تقنية تتبع العين مع التعلم العميق كأداة محتملة لتقييم العجز في التفاعل الاجتماعي لدى الأطفال المصابين بالتوحد. تناقش الورقة أيضًا تطوير أنظمة فحص ذكية وتدخلات مدعومة بالذكاء الاصطناعي تلبي الاحتياجات التعليمية الفريدة للأفراد المصابين بالتوحد، مما يبرز أهمية النهج المخصص. ومع ذلك، تظل الاعتبارات الأخلاقية المتعلقة بخصوصية البيانات والحاجة إلى مجموعات بيانات متنوعة تحديات حاسمة لمستقبل الذكاء الاصطناعي في أبحاث التوحد.
DOI: https://doi.org/10.3389/fpsyt.2025.1513809
PMID: https://pubmed.ncbi.nlm.nih.gov/40297334
Publication Date: 2025-04-14
Author(s): Sijun Zhang
Primary Topic: Autism Spectrum Disorder Research
Overview
The section provides an overview of the challenges and advancements in the early screening, diagnosis, and intervention of autism in young children. It highlights that traditional methods are often time-consuming and reliant on psychiatric expertise, leading to delays in diagnosis, typically occurring after the age of six. In response, the integration of artificial intelligence (AI) and machine learning is being explored to enhance the efficiency of these processes.
AI-assisted methods are being developed to facilitate early screening and diagnosis by creating predictive models for behavioral assessments, analyzing brain imaging and genetic data to overcome age-related diagnostic barriers, and establishing intelligent screening systems for broader outreach. For early intervention, AI technologies are being utilized to design intelligent educational systems that optimize learning environments, implement dynamic monitoring systems for ongoing assessment, and develop support systems that cater to the diverse needs of children with autism. The review emphasizes the necessity for further research to establish comprehensive databases, enhance the generalizability of AI interventions, and improve the functionality of AI-powered tools to minimize costs and failure rates in autism care.
Introduction
The introduction of the research paper outlines the complexities surrounding autism spectrum disorder (ASD), a neurodevelopmental condition marked by challenges in social communication and the presence of restricted interests and repetitive behaviors. The multifactorial etiology of autism includes genetic, environmental, and maternal influences, with current diagnostic practices relying heavily on observable behavioral indicators assessed by trained psychiatrists. This reliance on professional expertise can lead to delays in diagnosis, often beyond the critical age of two, thereby hindering timely intervention that could mitigate deficits in social attention, language, and cognitive development.
To address these challenges, the paper emphasizes the urgent need for improved screening and diagnostic efficiency, particularly for young children. The authors advocate for the development of accurate biomarkers and the integration of artificial intelligence (AI) as a promising approach to enhance early detection and intervention strategies. AI’s capabilities in pattern recognition and data processing can streamline the diagnostic process, reducing the number of required assessment items and potentially automating evaluations. Furthermore, the paper highlights the growing interest in AI applications for behavioral interventions, such as monitoring emotional responses in autistic infants, which could enhance traditional therapeutic methods. The review aims to consolidate existing research on AI-assisted techniques specifically targeting the early screening, diagnosis, and intervention of autism in infants, toddlers, and preschoolers, addressing a significant gap in the current literature.
Methods
In this study, a comprehensive search was conducted across multiple databases, including PubMed, PsychInfo, and Scopus, on September 15, 2024, to identify literature on AI-assisted screening, diagnosis, and intervention for autism in young children. The search utilized specific terms related to AI and autism across various age groups, including infants, toddlers, and preschoolers, and was limited to English-language studies published within the last 15 years. Inclusion criteria mandated that studies demonstrate the role of AI in autism-related processes and involve young children as participants, while studies lacking quantitative evaluation were excluded.
The initial search yielded 86 publications, which were systematically screened by two independent assessors. After removing duplicates and applying the inclusion/exclusion criteria, 34 publications were excluded for not involving young children or failing to demonstrate relevant processes. Of the 45 papers selected for full-text review, 8 were further excluded due to the absence of quantitative evaluation. Ultimately, 37 studies were included in the review, reflecting a rigorous selection process, as indicated by a high interauthor agreement (Cohen’s K coefficient of 0.97).
Discussion
The discussion section of the research paper highlights the advancements and challenges in AI-assisted early screening and diagnosis of autism in young children. Traditional diagnostic methods, such as the Autism Diagnostic Observation Schedule and Autism Diagnostic Interview-Revised Edition, are reliable but time-consuming, hindering early intervention. In contrast, AI methods leverage behavioral and radiomic data to create predictive models that enhance diagnostic efficiency, although they still require expert oversight. Notably, machine learning approaches have shown promise, with models achieving high accuracy rates, such as a 99.97% accuracy in diagnosing children aged 13 to 48 months using a streamlined decision tree model.
Furthermore, the integration of AI with neuroimaging and genetic data offers new avenues for early diagnosis, independent of cognitive development levels. Techniques like radiomics automate the analysis of brain imaging, while machine learning aids in identifying genetic mutations associated with autism. Eye-tracking technology combined with deep learning has emerged as a potential tool for assessing social interaction deficits in autistic children. The paper also discusses the development of intelligent screening systems and AI-assisted interventions that cater to the unique learning needs of autistic individuals, emphasizing the importance of personalized approaches. However, ethical considerations regarding data privacy and the need for diverse datasets remain critical challenges for the future of AI in autism research.