GeneticNAS：一种用于高级自闭谱系筛查的新型自我进化神经架构

为什么更快的自闭症筛查很重要

对许多家庭来说，弄清孩子是否属于自闭谱系可能需要数年时间。当前评估依赖于与受过高度训练的专家进行的冗长面对面会诊，而这些专家在许多地区都很稀缺。本文介绍了一种新的人工智能系统，该系统能够自主学习如何最好地解读儿童在标准自闭症评估中的细微动作模式。目标不是取代临床医生，而是为他们提供一种快速、可靠的筛查工具，即便在算力有限的计算机上也能运行。

将游戏视频转化为可测量的模式

这项研究基于广泛使用的结构化游戏评估——自闭症诊断观察量表（ADOS）。研究人员不是让专家手工评分行为，而是从160名儿童的短视频入手，其中一半为自闭症儿童，一半为典型发育儿童。计算机视觉软件逐帧跟踪身体上的33个关键点，例如肩膀、肘部和头部位置。基于这些轨迹，团队构建了丰富的、每一时刻包含2048个数值的描述，捕捉儿童动作的流畅度、视线与姿势的变化以及这些模式如何随时间演变。严密的质量检查确保这些测量在多次会话中稳定，并在自闭症与非自闭症组之间保持平衡。

让计算机自行设计“大脑”

作者没有手工设计神经网络——这是现代人工智能背后的分层数学结构——而是让自动化过程搜索最佳设计。他们采用一种受进化启发的方法：创建一群候选网络，每个网络具有不同类型的层和设置。有些层仅对数据进行变换；有些层增加捷径连接或对信息进行压缩再扩展，以突出重要信号。系统评估每个候选者区分自闭症与典型发育的能力，然后“繁殖”表现更好的网络，混合并变异它们的设计，经过十代演化后形成一个强大的架构。

更聪明地利用计算资源

一个关键创新是搜索过程被设计为尊重现实硬件限制。许多类似方法需要具有16GB或更多显存的高端显卡，而大多数诊所并不具备。这里的搜索不仅以准确性为导向，还考虑每个模型使用的内存和时间。诸如将训练拆分为更小部分和对过重设计施加惩罚的技术，使系统能在约2.1GB内存下运行——与先前工作相比减少了76%的内存占用——同时仍能探索数百万种可能的网络布局。最终模型仅有280万可调参数，并能以大约每个样本15毫秒的速度处理儿童数据。

系统区分儿童的效果如何

在超过130万条未见示例上测试时，所选网络正确分类了约每100个样本中的95个，明显优于已有的强深度学习基线。对漏诊与误报之间权衡的分析显示其ROC曲线下面积非常高（0.986），这意味着模型可以针对不同临床优先级进行调优而不会显著退化性能。重要的是，其在自闭症儿童与典型发育儿童上的成功率几乎相同，表明没有偏向某一组。细致的统计检验和与更简单网络的对比证实，混合层类型与受进化启发的搜索对于实现该性能都至关重要。

这对家庭和诊所可能意味着什么

简而言之，研究表明有可能训练出一个紧凑、快速的人工智能系统，使用现实可用的计算资源识别与自闭症相关的动作与互动模式。这样的工具可以帮助在诊断流程的早期识别有风险的儿童，尤其是在专家稀缺的地区，并通过提供一个客观的第二意见来支持临床医生。作者强调他们的工作存在局限——仅在受控诊所环境中、对来自单一国家的儿童进行了测试，而且尚不能以人类可解释的方式说明其决策过程。尽管如此，结果表明自我设计的神经网络可能成为未来自闭症筛查的实用组成部分，有助于缩短许多家庭在获得答案前所面临的漫长等待。

引用: Alzahrani, A.R., Alboaneen, D. & Alzahrani, I.R. GeneticNAS: a novel self-evolving neural architecture for advanced ASD screening. Sci Rep 16, 6304 (2026). https://doi.org/10.1038/s41598-026-35972-x

关键词: 自闭症筛查, 神经架构搜索, 遗传算法, 姿态估计, 临床人工智能