AIモデルは自閉症のリスクのある幼児を80%の精度で識別できることが研究で判明

最近の研究では、自閉症のリスクのある幼児の識別を支援する人工知能 (AI) の可能性が実証されており、2 歳未満の幼児の場合、その正確率は約 80% です。

Artificial intelligence (AI) has shown promise in aiding the identification of toddlers at risk of autism, with an accuracy rate of about 80% for children under two, according to recent research.

最近の研究によると、人工知能 (AI) は自閉症のリスクのある幼児の識別を支援するのに有望であることが示されており、2 歳未満の子供の場合は約 80% の精度が得られています。

A team of researchers from the Karolinska Institutet in Sweden developed a machine learning-based screening system. While the AI model cannot replace traditional diagnostic methods, it could help identify children early on who may need further clinical evaluation.

スウェーデンのカロリンスカ研究所の研究者チームは、機械学習ベースのスクリーニング システムを開発しました。 AI モデルは従来の診断方法に代わるものではありませんが、さらなる臨床評価が必要な可能性のある子供を早期に特定するのに役立つ可能性があります。

“Using [the] AI model, it can be possible to use available information and identify individuals with an elevated likelihood for autism so that they can get earlier diagnosis and help,” said Dr. Kristiina Tammimies, a study co-author.

研究の共著者であるクリスティーナ・タミミーズ博士は、「AIモデルを利用すれば、入手可能な情報を利用して自閉症の可能性が高い個人を特定し、早期の診断と支援を受けることが可能になる可能性がある」と述べた。

However, she cautioned that the model should not be viewed as a standalone diagnostic tool, reiterating that the final diagnosis should be conducted through standard clinical methods.

ただし、同氏は、このモデルを独立した診断ツールとして見るべきではないと警告し、最終診断は標準的な臨床方法を通じて実施されるべきであると繰り返し述べた。

The AI model was developed using data from the U.S.-based Spark study, which provided information on 15,330 children diagnosed with autism and an equal number of children without the condition.

AI モデルは、米国を拠点とする Spark 研究のデータを使用して開発されました。この研究では、自閉症と診断された 15,330 人の子供と同数の自閉症ではない子供に関する情報が提供されました。

From medical and background questionnaires, the researchers selected 28 measures that could be easily obtained before children reach 24 months of age, such as age at first smile, eating behaviors and age at first construction of longer sentences.

研究者らは、医学的および背景に関するアンケートから、初めて笑った年齢、食行動、初めて長文を組み立てた年齢など、子どもが生後24か月に達する前に簡単に取得できる28の尺度を選択した。

Using machine learning to analyze patterns in the data, the research team compared the identified patterns between autistic and non-autistic children to build four different models, selecting the most effective one for further testing.

研究チームは、機械学習を使用してデータ内のパターンを分析し、自閉症児と非自閉症児の間で特定されたパターンを比較して 4 つの異なるモデルを構築し、さらなるテストに最も効果的なモデルを選択しました。

When applied to a separate dataset of 11,936 participants, the model correctly identified 78.9% of the children as either autistic or non-autistic. Specifically, the accuracy was 78.5% for children aged up to two years, 84.2% for those aged two to four years and 79.2% for those aged four to ten years.

11,936 人の参加者の別のデータセットに適用すると、モデルは 78.9% の子供が自閉症または非自閉症のいずれかであると正しく識別されました。具体的には、2 歳までの子どもの精度は 78.5%、2 歳から 4 歳の子どもでは 84.2%、4 歳から 10 歳の子どもでは 79.2% でした。

An additional test using a dataset of 2,854 autistic individuals resulted in a lower accuracy rate of 68%, which the researchers attributed to differences in the dataset, including some missing parameters.

2,854人の自閉症患者のデータセットを使用した追加のテストでは、正解率が68%と低くなり、研究者らは、これはいくつかのパラメータの欠落を含むデータセットの違いによるものであると考えました。

The study identified several key measures that significantly influenced the AI model's prediction of autism, including problems with eating certain foods, the age at which a child first constructed longer sentences, the age at which a child achieved potty training and the age at which a child first smiled.

この研究では、AI モデルによる自閉症の予測に大きな影響を与えるいくつかの重要な尺度が特定されました。これには、特定の食品を食べることの問題、子供が初めて長文を作成した年齢、子供がトイレトレーニングを完了した年齢、子供が初めて長文を作成した年齢などが含まれます。最初に微笑んだ。

These factors, according to the research team, played a crucial role in the model’s ability to differentiate between autistic and non-autistic children.

研究チームによると、これらの要因は、自閉症児と非自閉症児を区別するモデルの能力において重要な役割を果たしたという。

Further analysis revealed that the model tended to identify autism more accurately in individuals who exhibited more severe symptoms and broader developmental issues. This finding suggests that the model might be more effective at recognizing cases with more noticeable developmental challenges accompanying autism.

さらなる分析により、このモデルは、より重度の症状や広範な発達上の問題を示した個人の自閉症をより正確に識別する傾向があることが明らかになりました。この発見は、このモデルが自閉症に伴うより顕著な発達上の課題を伴うケースを認識するのにより効果的である可能性があることを示唆しています。

Despite the promising results, some experts expressed concerns about the model's ability to correctly identify non-autistic children. With an 80% accuracy rate, the model could potentially lead to overdiagnosis and unnecessary stress for families, as 20% of non-autistic children might be incorrectly flagged as possibly autistic.

有望な結果にもかかわらず、一部の専門家は、非自閉症の子供を正しく識別するモデルの能力について懸念を表明した。 80% の精度率では、自閉症でない子供の 20% が自閉症の可能性があると誤ってフラグ付けされる可能性があるため、このモデルは過剰診断や家族の不必要なストレスにつながる可能性があります。

Professor Ginny Russell from the University of Exeter sounded a note of caution regarding the push for early diagnosis, especially in very young children.

エクセター大学のジニー・ラッセル教授は、特に幼児に対する早期診断の推進について警告を発した。

“It can be hard to tell the difference between a toddler who has a severe impairment and one who is simply developing more slowly but will eventually ‘catch up.’ I would not recommend applying psychiatric labels to children under the age of two on the basis of a limited range of behavioral indicators, such as whether they eat certain foods,” Russell said.

「重度の障害を持つ幼児と、単に発達が遅いだけで最終的には追いつく幼児との違いを見分けるのは難しい場合があります。特定の食べ物を食べるかどうかなど、限られた範囲の行動指標に基づいて、2歳未満の子供に精神医学的なラベルを適用することはお勧めしません」とラッセル氏は述べた。