生物行移动版

诊断自闭症可能仅需十分钟的脑部扫描。英国精神病研究院的克里斯汀·埃克（Christine Ecker）团队开发了一种基于支持向量机（SVM）的软件，通过分析磁共振成像（MRI）数据来识别自闭症的解剖学特征。

研究团队对20名成年男性自闭症患者、20名注意力缺陷多动症（ADHD）患者和20名健康对照者的脑部进行了MRI扫描。他们利用SVM这一机器学习工具分析数据，比较各组间关键差异，如皮层皱褶和大脑弯曲度。SVM构建模型预测脑扫描结果属于自闭症组还是对照组，初始诊断准确率达90%。

现有自闭症诊断依赖行为测试和交谈，耗时且易引发紧张。埃克计划在儿童中测试该模型，并预测儿童中结果更准确，因为“健康脑与自闭症脑之间的解剖学差异在儿童期更显著”。伦敦大学学院的犹他·福尔斯（Uta Frith）指出：“作者谨慎地将工具用于特定群体，未声称适用于所有自闭症类型。这只是概念验证，需在新群体中检验是否得到相同结果。”她补充道，仅研究脑部解剖不够，还需了解解剖差异如何与精神生活及思维感受相关联。

SVM是一种监督学习的人工智能分类器，能从已分类数据中归纳分类方法，用于新数据分类。神经认知科学专家悠扬表示，SVM在功能磁共振成像（fMRI）领域热门，能发掘数据间更多联系，优于简单比较“激活”或“未激活”。数学专家fwjmath解释，SVM适用于数据量大但内部机理不清的问题（如心理学、基因），但有助于诊断，对理解病根帮助有限。神经生物学专家anpopo强调，自闭症非单一化学物或脑区损伤所致，传统诊断方法无效，机器学习方法另辟蹊径。

著名神经认知博客neuroskeptic（需翻墙）文章指出，若SVM分析显示患者患自闭症可能性极大，可作为确凿证据；若结果仍不确定，则缺乏有效办法。SVM判断结果与自闭症患者社交沟通症状相关性最强，且能区分自闭症与ADHD，进一步支持其作为诊断标准的潜力。