AI 모델은 80%의 정확도로 자폐증 위험이 있는 유아를 식별할 수 있다는 연구 결과가 나왔습니다.

최근 연구에 따르면 인공 지능(AI)이 자폐증 위험이 있는 유아를 식별하는 데 도움을 줄 수 있는 잠재력이 입증되었으며, 2세 미만 어린이의 경우 정확도는 약 80%입니다.

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.

최근 연구에 따르면 인공 지능(AI)은 2세 미만 어린이의 경우 약 80%의 정확도로 자폐증 위험이 있는 유아를 식별하는 데 도움이 되는 가능성을 보여주었습니다.

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.

스웨덴 Karolinska Institutet의 연구팀은 기계 학습 기반 검사 시스템을 개발했습니다. AI 모델은 기존 진단 방법을 대체할 수는 없지만 추가 임상 평가가 필요한 어린이를 조기에 식별하는 데 도움이 될 수 있습니다.

“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.

연구 공동 저자인 Kristiina Tammimies 박사는 “AI 모델을 사용하면 이용 가능한 정보를 사용하고 자폐증 가능성이 높은 개인을 식별하여 조기 진단과 도움을 받을 수 있습니다.”라고 말했습니다.

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.

그러나 그녀는 모델을 독립형 진단 도구로 간주해서는 안 되며 최종 진단은 표준 임상 방법을 통해 수행되어야 한다고 거듭 강조했습니다.

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 모델은 자폐증 진단을 받은 15,330명의 어린이와 같은 수의 자폐증이 없는 어린이에 대한 정보를 제공한 미국 기반 Spark 연구의 데이터를 사용하여 개발되었습니다.

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.

연구진은 의료 및 배경 설문지에서 처음 웃을 때의 나이, 식습관, 긴 문장을 처음 구성할 때의 나이 등 어린이가 24개월이 되기 전에 쉽게 얻을 수 있는 28가지 척도를 선택했습니다.

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.

연구팀은 기계 학습을 사용하여 데이터의 패턴을 분석하여 자폐아와 비자폐아 사이에서 식별된 패턴을 비교하여 4가지 모델을 구축하고 추가 테스트를 위해 가장 효과적인 모델을 선택했습니다.

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.

11,936명의 참가자로 구성된 별도의 데이터 세트에 적용했을 때 모델은 78.9%의 어린이를 자폐증 또는 비자폐증으로 정확하게 식별했습니다. 구체적으로 2세까지는 78.5%, 2~4세는 84.2%, 4~10세는 79.2%의 정확도를 보였다.

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.

2,854명의 자폐인 데이터 세트를 사용한 추가 테스트에서는 정확도가 68%로 낮았으며, 이는 일부 누락된 매개변수를 포함하여 데이터 세트의 차이로 인해 발생했습니다.

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.

이 연구에서는 특정 음식 섭취 문제, 아이가 처음으로 긴 문장을 구성하는 나이, 배변 훈련을 받은 나이, 아이가 배변 훈련을 받은 나이 등 AI 모델의 자폐증 예측에 큰 영향을 미치는 몇 가지 주요 측정값을 확인했습니다. 처음으로 웃었다.

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

연구팀에 따르면 이러한 요인들은 자폐 아동과 비자폐 아동을 구별하는 모델의 능력에 중요한 역할을 했습니다.

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.

추가 분석에 따르면 이 모델은 더 심각한 증상과 더 광범위한 발달 문제를 보이는 개인의 자폐증을 더 정확하게 식별하는 경향이 있는 것으로 나타났습니다. 이 발견은 이 모델이 자폐증을 수반하는 눈에 띄는 발달 문제가 있는 사례를 인식하는 데 더 효과적일 수 있음을 시사합니다.

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.

유망한 결과에도 불구하고 일부 전문가들은 비자폐 아동을 정확하게 식별하는 모델의 능력에 대해 우려를 표명했습니다. 80%의 정확도를 갖춘 모델은 잠재적으로 과잉 진단과 가족에게 불필요한 스트레스를 초래할 수 있습니다. 자폐증이 아닌 아동의 20%가 자폐증 가능성이 있는 것으로 잘못 표시될 수 있기 때문입니다.

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

엑서터 대학교의 지니 러셀(Ginny Russell) 교수는 특히 아주 어린 아이들의 경우 조기 진단을 추진하는 것에 대해 주의를 환기시켰습니다.

“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.

“심각한 장애가 있는 유아와 단순히 발달 속도가 더디지만 결국 '따라잡게' 되는 유아 사이의 차이를 말하기는 어려울 수 있습니다. 나는 특정 음식을 먹는지 여부와 같은 제한된 범위의 행동 지표를 기반으로 2세 미만 어린이에게 정신과 라벨을 적용하는 것을 권장하지 않습니다.”라고 Russell은 말했습니다.