Phương Pháp AI Tiềm Năng Trong Sàng Lọc Tự Kỷ Qua Hình Ảnh Khuôn Mặt và Dữ Liệu DSM-5
Nghiên Cứu Khám Phá AI Trong Sàng Lọc Rối Loạn Phổ Tự Kỷ
Các nhà nghiên cứu đã khảo sát tiềm năng của các kỹ thuật trí tuệ nhân tạo (AI) trong hỗ trợ sàng lọc rối loạn phổ tự kỷ (ASD) thông qua phân tích hình ảnh khuôn mặt và dữ liệu danh sách kiểm tra chẩn đoán có cấu trúc. Mặc dù AI cho thấy kết quả khả quan trong việc nhận diện các mẫu liên quan đến ASD, các chuyên gia nhấn mạnh rằng những phương pháp này không thể thay thế cho đánh giá lâm sàng toàn diện.
Phương Pháp và Nguồn Dữ Liệu
Nghiên cứu sử dụng hai loại dữ liệu chính: ảnh chụp khuôn mặt và hồ sơ danh sách kiểm tra DSM-5. Cụ thể, các nhà nghiên cứu phân tích 268 hồ sơ DSM-5, chia đều giữa trẻ được chẩn đoán ASD và trẻ không mắc. Ngoài ra, 162 hình ảnh khuôn mặt từ 92 trẻ em địa phương (43 trẻ ASD, 49 trẻ không ASD) cũng được đưa vào. Bộ dữ liệu hình ảnh công khai trên Kaggle với 2.536 ảnh cân bằng giữa nhóm ASD và không ASD cũng được sử dụng.
Hai kiến trúc AI, EfficientNet-B2 và ResNet50, được huấn luyện trong hai kịch bản: một chỉ dùng bộ dữ liệu Kaggle và một kết hợp hình ảnh Kaggle với một số lượng nhỏ ảnh địa phương. Nghiên cứu đảm bảo kỹ rằng ảnh của cùng một trẻ không bị chia giữa nhóm huấn luyện và kiểm tra để tránh rò rỉ dữ liệu.
Phát Hiện Chính
Phân tích dữ liệu danh sách kiểm tra DSM-5 cho thấy độ chính xác cao, phân loại đúng tình trạng ASD trong 92,5% trường hợp với diện tích dưới đường cong ROC (AUC) là 0,984, thể hiện sự đồng thuận mạnh mẽ với chẩn đoán của bác sĩ tâm thần.
Ngược lại, hiệu suất AI trên hình ảnh khuôn mặt thay đổi đáng kể. Khi chỉ huấn luyện trên dữ liệu Kaggle, ResNet50 đạt độ chính xác 68,4% trên nhóm trẻ địa phương sau khi thích ứng, trong khi EfficientNet-B2 đạt 42,1% không thích ứng và cải thiện lên 68,4% khi có thích ứng. Khi sử dụng bộ dữ liệu kết hợp, EfficientNet-B2 đạt đến 78,6% độ chính xác sau thích ứng, còn ResNet50 đạt 85,7%. Tuy nhiên, các kết quả này vẫn là sơ bộ và dựa trên mẫu kiểm tra địa phương tương đối nhỏ.
Ý Nghĩa Đối Với Gia Đình và Chuyên Gia Y Tế
Kết quả cho thấy các mô hình AI huấn luyện trên hình ảnh khuôn mặt có thể nhận diện một số đặc điểm liên quan đến ASD, nhưng độ chính xác phụ thuộc vào kiến trúc AI, bộ dữ liệu huấn luyện và việc mô hình có được điều chỉnh cho dân số địa phương hay không. Danh sách kiểm tra DSM-5 vẫn là công cụ sàng lọc rất tin cậy khi được sử dụng bởi các chuyên gia có đào tạo.
Gia đình và chuyên gia y tế cần hiểu rằng các công cụ sàng lọc dựa trên AI vẫn đang trong giai đoạn phát triển ban đầu và không thể thay thế đánh giá lâm sàng kỹ lưỡng. Những công nghệ này có thể hỗ trợ việc nhận diện sớm trong tương lai nhưng cần thêm các nghiên cứu xác thực.
Hạn Chế và Hướng Phát Triển Tương Lai
Tác giả nghiên cứu cảnh báo rằng các mô hình AI dựa trên hình ảnh chưa chứng minh được tính hợp lệ lâm sàng hay khả năng tự chẩn đoán ASD. Kích thước mẫu kiểm tra địa phương còn nhỏ hạn chế khả năng tổng quát hóa kết quả. Họ khuyến nghị thực hiện các nghiên cứu đa trung tâm, quy mô lớn, có thiết kế tiền cứu và tiêu chuẩn tham chiếu độc lập để đánh giá các công cụ sàng lọc AI trước khi áp dụng trong lâm sàng.
Tổng thể, mặc dù các phương pháp AI cho thấy tiềm năng bổ trợ cho các phương pháp sàng lọc ASD hiện có, cần nghiên cứu nghiêm ngặt hơn để xác nhận độ chính xác và tính hữu ích của chúng trên các nhóm dân số đa dạng.
Để biết thêm chi tiết, xem nghiên cứu gốc được công bố trên Health Science Reports: Phương Pháp Dựa Trên Trí Tuệ Nhân Tạo Trong Sàng Lọc Tự Kỷ Qua Hình Ảnh Khuôn Mặt và Danh Sách Kiểm Tra DSM-5: Một Nghiên Cứu Phương Pháp.
Tải Về Hình Ảnh Trong Bài Viết Này
