17歲高中生做出AI神器：看一下視網(wǎng)膜，就能識別自閉癥和多動(dòng)癥

近期，美國 17 歲高中生 Edward Kang 開發(fā)出了一款有些反直覺的 AI 工具：通過視網(wǎng)膜圖像預(yù)測與眼睛無關(guān)的疾病——自閉癥譜系障礙（ASD）和注意缺陷多動(dòng)障礙（ADHD）。

這款 AI 工具名為 RetinaMind，利用視網(wǎng)膜圖像訓(xùn)練 AI 模型，以百分比形式呈現(xiàn)對視網(wǎng)膜圖像的置信度，通過這樣的方式在疾病早期對 ASD 以及 ADHD 進(jìn)行識別和診斷，準(zhǔn)確率達(dá) 89%。不僅如此，該工具還可以幫助分析疾病基因機(jī)制（如 ABCA4）的潛在變化。

基于該成果，Kang 獲得了 2026 年 Regeneron 科學(xué)天才獎(jiǎng)二等獎(jiǎng)及 17.5 萬美元獎(jiǎng)金。該競賽被美國科學(xué)學(xué)會(huì)譽(yù)為“全美歷史最悠久、最負(fù)盛名的高中生科學(xué)與數(shù)學(xué)競賽”。

早期診斷難在哪？

ASD 是美國增長速度最快的神經(jīng)發(fā)育障礙疾病之一，它的特征是持續(xù)存在社交溝通和社交互動(dòng)方面的缺陷。根據(jù)相關(guān)統(tǒng)計(jì)，在美國每 54 名兒童中就有 1 名患有 ASD。而 ADHD 是一種兒童期最常見的疾病，患者持續(xù)存在注意力不集中或多動(dòng)沖動(dòng)模式，這種模式會(huì)干擾患者的功能或發(fā)育，約 700 萬美國兒童曾被診斷為 ADHD。

ASD 和 ADHD 有一定的共性，它們都是源于神經(jīng)系統(tǒng)的疾病，通常與大腦功能具有密切的關(guān)系。一般來說，ASD 和 ADHD 患者伴有智力或?qū)W習(xí)障礙、語言障礙以及運(yùn)動(dòng)協(xié)調(diào)問題。

盡管相關(guān)研究表明，早期干預(yù)這兩種疾病可為患者帶來更好的長期效果，但由于它們?nèi)狈ι飿?biāo)志物且診斷主觀性強(qiáng)，在臨床上早期診斷 ASD 和 ADHD 充滿挑戰(zhàn)。

當(dāng)下，ASD 和 ADHD 的診斷依賴發(fā)育和行為方面的相關(guān)測試，例如美國精神病學(xué)會(huì)的《精神疾病診斷與統(tǒng)計(jì)手冊》（DSM）、自閉癥診斷觀察量表（ADOS）和康納斯評定量表（CRS），但診斷周期可能需要數(shù)月甚至數(shù)年。

這種疾病早篩工具意義重大，它將 ASD 或 ADHD 的診斷從行為結(jié)果轉(zhuǎn)向了更客觀、可量化的生物信號。Kang 對媒體表示：“我希望 RetinaMind 能夠幫助患者實(shí)現(xiàn)更早的治療，進(jìn)而提高全世界數(shù)百萬 ASD 和 ADHD 的生活質(zhì)量。”

圖丨 Edward Kang（來源：Smithsonian Magazine）

他想把行為觀察變成生物信號

Kang 是新澤西州哈肯薩克市博根縣學(xué)院的高年級學(xué)生，他將于 2026 年秋季入學(xué)麻省理工學(xué)院攻讀本科學(xué)位。

2023 年，Kang 從一篇來自香港中文大學(xué) Benny?Zee 教授團(tuán)隊(duì)的論文 [1] 中獲得靈感，相關(guān)研究利用視網(wǎng)膜圖像對自閉癥進(jìn)行診斷。他意識到，如果能將臨床觀察數(shù)據(jù)轉(zhuǎn)化為可量化的生物標(biāo)志物，有可能突破現(xiàn)有 ASD 診斷滯后性的瓶頸。

在項(xiàng)目伊始階段，Kang 的目標(biāo)是將現(xiàn)有模型改進(jìn)得更準(zhǔn)確和強(qiáng)大。在高中校友的介紹下，他于去年秋天作為實(shí)習(xí)生參加了羅格斯大學(xué)的自閉癥研究、教育和服務(wù)中心（RUCARES）項(xiàng)目，不僅接觸到自閉癥的評估、數(shù)據(jù)研究，還實(shí)際觀察到臨床醫(yī)生如何治療患者，并與專業(yè)人士進(jìn)行交流。

“這個(gè)項(xiàng)目激發(fā)了我對神經(jīng)科學(xué)的熱愛，我親眼目睹了此前只在研究論文中讀到過的自閉癥治療方法，定性且以人為本的療法與定量數(shù)據(jù)收集相結(jié)合的方式令我驚嘆不已。”他說。

隨著研究的深入，他發(fā)現(xiàn)自己的思考已經(jīng)不局限于模型的運(yùn)作。診斷疾病只是第一步，他更想做的是，讓模型在生物學(xué)上識別疾病的亞型，然后真正在臨床上幫助患者進(jìn)行更好的治療，甚至提供長期支持。

Kang 并沒有編程的相關(guān)背景，因此他通過在線課程自學(xué)了編程和機(jī)器學(xué)習(xí)方面的基礎(chǔ)知識。模型最初版本是一個(gè)基礎(chǔ)的卷積神經(jīng)網(wǎng)絡(luò)（CNN），該模型僅接收圖像，獲取診斷結(jié)果，并根據(jù)模型預(yù)測診斷結(jié)果的準(zhǔn)確程度來訓(xùn)練模型。

在初代模型基礎(chǔ)上，他對模型的版本進(jìn)行了迭代，并將 ADHD 也納入模型。識別不同的疾病是一項(xiàng)難度更高的任務(wù)，也具有更重要的臨床意義。“區(qū)分神經(jīng)典型人群和自閉癥患者并不難，現(xiàn)有的研究已經(jīng)達(dá)到很高的準(zhǔn)確率。”Kang 說。

此外，他還運(yùn)用集成學(xué)習(xí)技術(shù)來提升模型的準(zhǔn)確性和有效性。這樣，當(dāng)向模型提供一張視網(wǎng)膜圖像時(shí)，其不僅能對 ASD 和 ADHD 進(jìn)行診斷預(yù)測，還能結(jié)合結(jié)果計(jì)算出平均值。“使用多個(gè)模型并采用投票機(jī)制意味著結(jié)果更可靠，它往往更準(zhǔn)確，性能也能得到提升。”他解釋道。

視網(wǎng)膜：窺探腦疾病的窗口

視網(wǎng)膜與腦組織同源，屬于中樞神經(jīng)系統(tǒng)延伸。正因如此，可通過視網(wǎng)膜的細(xì)微變化，來發(fā)現(xiàn)神經(jīng)發(fā)育異常。

自 2024 年底以來，Kang 將重點(diǎn)放在探索導(dǎo)致 ASD 和 ADHD 患者視網(wǎng)膜差異的潛在生物學(xué)機(jī)制，該方向有利于幫助檢測視網(wǎng)膜差異的成因。

他使用了梯度加權(quán)類激活映射（GradCAM），這是一種可解釋 AI 技術(shù)，能夠識別圖像中對模型進(jìn)行預(yù)測最有用的特定區(qū)域。該技術(shù)通過探索 CNN 的內(nèi)部運(yùn)作機(jī)制，幫助確定模型在完成任務(wù)時(shí)參考了初始輸入圖像的哪個(gè)區(qū)域。“這意味著，能夠基于此判斷視網(wǎng)膜的哪個(gè)部分對于診斷 ASD 和 ADHD 至關(guān)重要。”Kang 解釋道。

醫(yī)療 AI 最大的問題，不是準(zhǔn)確率，而是它為什么這么判斷。為了輔助診斷，RetinaMind 會(huì)生成視網(wǎng)膜圖像的熱圖可視化，并用紅色突出顯示促成診斷的關(guān)鍵部分，在一定程度上避免了“黑箱”問題。

此前，已有研究人員發(fā)現(xiàn) ASD 或 ADHD 患者的視網(wǎng)膜特征與常人存在顯著差異。例如，光學(xué)相干斷層掃描（OCT）等專業(yè)工具能夠檢測黃斑、視網(wǎng)膜神經(jīng)纖維層及其他區(qū)域的長度、厚度和深度差異。然而，由于這些指標(biāo)的差異性很小，且存在與神經(jīng)典型個(gè)體的正常范圍的大量重疊，僅憑視網(wǎng)膜圖像很難精準(zhǔn)診斷 ASD 或 ADHD。

這些復(fù)雜的問題恰好是 RetinaMind 模型的優(yōu)勢，它能夠同時(shí)檢測和組合極其細(xì)微的視網(wǎng)膜特征。值得關(guān)注的是，Kang 的研究中發(fā)現(xiàn)了十余個(gè)可能與 ASD 和視網(wǎng)膜發(fā)育相關(guān)的候選基因。

其中，ABCA4 基因編碼一種負(fù)責(zé)視網(wǎng)膜解毒的蛋白質(zhì)。模型結(jié)果顯示，與對照組相比，ABCA4 的表達(dá)量較低。這表明，自閉癥患者可能因缺乏這種解毒蛋白而導(dǎo)致視網(wǎng)膜毒性增加和退化，這也可能對觀察到的視網(wǎng)膜差異做出合理的解釋。

Kang 表示，他希望這些基因能夠幫助解答一個(gè)復(fù)雜的問題：為什么神經(jīng)發(fā)育障礙患者的視網(wǎng)膜發(fā)育存在差異？

需要了解的是，視網(wǎng)膜差異可能并非某些疾病特有，而是預(yù)示著某些普遍存在的腦部神經(jīng)系統(tǒng)疾病。目前，RetinaMind 模型對 ASD 和 ADHD 主要停留在疾病層級的識別階段，而兩種疾病還存在不同的病癥，未來還有更廣闊的探索空間。

正如 Kang 在媒體采訪中所提及的那樣，“診斷只是研究的開始”。他計(jì)劃在未來的模型訓(xùn)練中，進(jìn)一步對自閉癥的輕度、中度和重度進(jìn)行區(qū)分。

RetinaMind 更重要的價(jià)值在于，AI 正在將原本無法直接觀察的神經(jīng)發(fā)育差異，轉(zhuǎn)化為一種可量化、可篩查、可提前發(fā)現(xiàn)的生物信號。

參考資料：

1.https://doi.org/10.1016/j.eclinm.2020.100588

2.https://www.smithsonianmag.com/innovation/this-high-schooler-developed-an-ai-tool-to-diagnose-autism-and-adhd-using-the-retina-180988694/

3.https://www.rutgers.edu/news/internship-helps-high-school-senior-rethink-what-autism-diagnostics-should-do

運(yùn)營/排版：何晨龍

注：封面/首圖由 AI 輔助生成