Nghiên Cứu Khám Phá Sử Dụng fNIRS và Máy Học để Phân Biệt Tự Kỷ Ở Trẻ Nhỏ
Nghiên Cứu Mới Khám Phá Hình Ảnh Não và AI để Nhận Diện Rối Loạn phổ Tự Kỷ
Một nghiên cứu khám phá gần đây đã điều tra việc liệu kỹ thuật quang phổ hồng ngoại gần chức năng (fNIRS) kết hợp với các thuật toán máy học có thể giúp phân biệt trẻ nhỏ mắc rối loạn phổ tự kỷ (ASD) với những trẻ phát triển bình thường (TD) hay không. Nghiên cứu tập trung vào trẻ từ 2 đến 6 tuổi, nhằm đánh giá tiềm năng của kỹ thuật hình ảnh não không xâm lấn này như một công cụ hỗ trợ trong việc phát hiện sớm ASD.
Thiết Kế Nghiên Cứu và Phương Pháp
Nghiên cứu phân tích dữ liệu kích hoạt não thu thập qua fNIRS, đo sự thay đổi oxy hóa máu trong não, từ hai mô hình nhiệm vụ khác nhau. Trong mô hình đầu tiên, 60 trẻ (29 trẻ ASD và 31 trẻ TD) tham gia ba nhiệm vụ, tạo ra 24 đặc trưng beta-activation cho mỗi người tham gia từ tám kênh não. Mô hình thứ hai gồm 58 trẻ (28 trẻ ASD và 30 trẻ TD) hoàn thành hai nhiệm vụ, cung cấp 16 đặc trưng beta cho mỗi người.
Các nhà nghiên cứu đã áp dụng bảy bộ phân loại máy học—bao gồm K-nearest neighbors (KNN), hồi quy logistic, máy vector hỗ trợ, cây quyết định, rừng ngẫu nhiên, cây quyết định tăng cường gradient và XGBoost—cho các đặc trưng này. Các bước xử lý dữ liệu gồm chuẩn hóa, phân tích thành phần chính để trích xuất đặc trưng, và kiểm định chéo leave-one-out để đánh giá hiệu suất phân loại. Các chỉ số chính được đánh giá bao gồm độ chính xác, độ đặc hiệu, độ nhạy và diện tích dưới đường cong (AUC). Thử nghiệm hoán vị cũng được sử dụng để xác định liệu kết quả phân loại có vượt quá mức ngẫu nhiên hay không.
Kết Quả Chính
Trong mô hình đầu tiên, bộ phân loại K-nearest neighbors đạt độ chính xác cao nhất là 56,7%, trong khi bộ phân loại cây quyết định có AUC cao nhất là 0,582. Mô hình thứ hai cho kết quả số liệu tốt hơn một chút ở một số chỉ số, nhưng không có bộ phân loại nào thể hiện hiệu suất vượt trội có ý nghĩa thống kê so với mức ngẫu nhiên theo thử nghiệm hoán vị.
Điều quan trọng, nghiên cứu cho thấy các đặc trưng thu được từ fNIRS không cung cấp giá trị dự đoán đáng kể vượt qua các yếu tố nhân khẩu học cơ bản như tuổi và giới tính. Tổng thể, hiệu suất phân loại chỉ ở mức khiêm tốn và không có mô hình máy học nào phân biệt đáng tin cậy trẻ ASD với trẻ TD trong mẫu nghiên cứu này.
Bối Cảnh và Ý Nghĩa
Chẩn đoán sớm ASD rất quan trọng để can thiệp kịp thời, tuy nhiên các đánh giá lâm sàng hiện nay chủ yếu dựa vào quan sát hành vi. Nghiên cứu này làm nổi bật tính khả thi về mặt quy trình của việc sử dụng fNIRS dựa trên nhiệm vụ kết hợp với máy học cho mục đích phân loại khám phá. Tuy nhiên, kết quả khiêm tốn cho thấy cần thêm nhiều nghiên cứu trước khi phương pháp này có thể ứng dụng lâm sàng.
Các nghiên cứu tương lai với mẫu lớn hơn và cân bằng hơn là cần thiết để xác nhận những phát hiện này và khám phá xem các đặc trưng fNIRS có thể đóng góp thông tin chẩn đoán có ý nghĩa vượt qua các yếu tố nhân khẩu học hay không. Nghiên cứu nhấn mạnh những thách thức trong việc phát triển các dấu ấn sinh học khách quan dựa trên não cho ASD ở trẻ nhỏ.
Hạn Chế và Lưu Ý
Bản chất khám phá của nghiên cứu và kích thước mẫu tương đối nhỏ giới hạn khả năng tổng quát hóa kết quả. Thêm vào đó, việc thiếu hiệu suất phân loại có ý nghĩa thống kê cho thấy các đặc trưng fNIRS đơn thuần có thể chưa đủ để nhận diện ASD một cách đáng tin cậy ở giai đoạn này. Các nhà nghiên cứu cảnh báo không nên hiểu sai kết quả này như bằng chứng về khả năng chẩn đoán.
Gia đình và bác sĩ nên tiếp tục dựa vào các tiêu chí chẩn đoán đã được thiết lập và đánh giá lâm sàng toàn diện để đánh giá ASD. Các công nghệ mới như fNIRS kết hợp máy học vẫn đầy hứa hẹn nhưng cần được phát triển và xác thực thêm.
Để biết thông tin chi tiết hơn, xem bài báo gốc: Functional Near-Infrared Spectroscopy Combined with Machine Learning for Exploratory Classification of Autism Spectrum Disorder in Young Children.
Tải về hình ảnh trong bài viết này
