Почему искусственный интеллект пока не может надёжно диагностировать аутизм и СДВГ

В медицинских исследованиях ИИ уже используют для анализа снимков, ЭКГ, речи и поведения. У идеи применять алгоритмы при расстройствах нейроразвития есть простая причина: такие системы быстро обрабатывают данные и ищут повторяющиеся признаки. [1] Речь прежде всего об аутизме, или расстройстве аутистического спектра, и синдроме дефицита внимания и гиперактивности.

Алгоритм способен обработать видео, МРТ, ЭЭГ, результаты тестов и данные носимых устройств быстрее человека. Он ищет повторяющиеся признаки, сравнивает группы пациентов и находит связи, которые сложно заметить при обычном осмотре.

Причина не только в технологии. На результат влияют данные, методология и природа аутизма и СДВГ. Эти состояния проявляются по-разному, поэтому модели нужна проверка на разнообразных пациентах и в условиях, близких к реальной клинике.

Почему одного анализа для диагноза недостаточно

Аутизм и СДВГ нельзя подтвердить одним анализом крови или одним снимком МРТ. У врача нет одного биомаркера, который сам по себе ставит диагноз. [2]

Диагноз строится на наборе данных, где специалист оценивает:

• общение;
• развитие речи;
• социальное взаимодействие;
• внимание и концентрацию;
• импульсивность;
• сенсорные особенности;
• историю развития и поведение в разных ситуациях.

Зачем исследователи применяют ИИ

ИИ привлекает исследователей скоростью обработки данных. Например, при анализе видео ребёнка во время игры алгоритм может оценить:

• направление взгляда;
• частоту зрительного контакта;
• движения тела;
• мимику;
• речевые особенности.

Авторы обзора оценили такие исследования и проверили, насколько их выводы выдерживают клиническую проверку.

Что проверяли авторы обзора

Исследователи рассматривали не один алгоритм, а методологию работ. Их интересовало, можно ли доверять опубликованным результатам и переносить их в практику.

• магнитно-резонансная томография;
• функциональная МРТ;
• электроэнцефалография;
• видеозаписи поведения;
• анализ речи;
• движения глаз;
• цифровые тесты;
• данные смартфонов и носимых устройств.

Почему результаты многих исследований нельзя сразу переносить в клинику

Вопрос связан не только с возможностями ИИ, но и с качеством данных и проверкой моделей.

Авторы выделяют несколько проблем:

1. Небольшие выборки. Многие работы основаны на данных нескольких десятков или сотен участников. Для машинного обучения этого часто мало. Модель может уверенно работать в лаборатории, но ошибаться на новых пациентах. [4]
2. Переобучение. Алгоритм иногда запоминает особенности обучающего набора вместо общих закономерностей. В статье такая модель показывает точность выше 90 процентов, а при встрече с другими людьми, условиями обследования и вариантами поведения теряет надёжность.
3. Недостаток независимой проверки. Во многих исследованиях тестовые данные слишком похожи на обучающие. Это завышает точность. Для клиники нужна проверка на новых группах пациентов из других центров.
4. Цифры без клинического подтверждения. Показатели 90, 95 или 99 процентов не доказывают готовность метода. Если исследование провели на небольшой группе из одного центра, заявленная точность может отражать особенности этой группы, а не возможности алгоритма.

Почему одной модели трудно распознать аутизм и СДВГ

Аутизм и СДВГ неоднородны. У пациентов с одним диагнозом могут различаться речь, поведение, внимание, контакт и реакция на нагрузку. Алгоритму приходится работать не с одним шаблоном, а со множеством вариантов развития. [5]

• Аутизм относится к спектру состояний. У одного ребёнка есть выраженные трудности с речью, у другого речь сохранена. Один ребёнок избегает общения, другой стремится к контакту, но делает это необычным способом.
• СДВГ тоже проявляется по-разному. У одних людей на первый план выходит невнимательность, а у других проявляется импульсивность или гиперактивность.  Похожие симптомы встречаются при тревоге, депрессии, нарушениях сна, трудностях обучения и других состояниях.

Какие данные изучают чаще всего

• ЭЭГ проще провести, и сама процедура безопасна для пациента, однако сигнал бывает шумным и сложным для интерпретации. 
• Видео и анализ поведения ближе к приёму у врача, но результат зависит от условий съёмки и качества разметки.
• Речь даёт данные о темпе, интонации, паузах и словарном запасе, но требует точного сбора и сравнения с возрастной нормой.

Что нужно для внедрения ИИ в клинику

Авторы обзора рассматривают современные алгоритмы как вспомогательные инструменты, а не замену врачу. В будущем они могут ускорять первичный скрининг, подсказывать врачу, какие признаки проверить, и помогать работать с массивом данных.

Для практического применения нужны:

• крупные и разнообразные базы данных;
• проверка моделей на независимых выборках;
• алгоритмы с понятной логикой решения;
• объединение разных типов информации о пациенте;
• учёт возраста, культуры и клинических различий;
• защита персональных данных.

Отдельно сохраняются этические риски, среди которых ошибочная классификация, предвзятость к отдельным группам, утечка данных и непрозрачные решения. Поэтому развитие таких систем требует не только инженерной работы, но и клинической, методологической и правовой проверки.

Вывод

Несмотря на исследования и показатели 90–99 процентов в отдельных публикациях, ИИ-системы для диагностики аутизма и СДВГ пока остаются научными прототипами.

Ограничения связаны с малым размером выборок, переобучением, недостаточной независимой проверкой и вариативностью самих расстройств. Поэтому алгоритм не должен ставить диагноз вместо врача.

При этом ИИ может работать как инструмент для врача. Он способен находить закономерности в речи, поведении и данных обследований, а затем помогать специалисту уточнять клиническую картину.

Часто задаваемые вопросы:

Список использованной литературы: