AI 스크리닝, 자폐 아동 식별에 도움 줄 수 있어

인공지능이 전문가들이 자폐증이 있을 수 있는 유아를 식별하는 데 도움을 줄 수 있다고 연구자들이 밝혔다. 연구자들은 2세 이하 아동에 대해 약 80%의 정확도를 가진 스크리닝 시스템을 개발했다고 전했다.

연구자들은 기계 학습이라는 AI 유형에 기반한 접근 방식이 이점을 가져올 수 있다고 말했다.

스웨덴 카롤린스카 연구소의 공동 저자 크리스티나 탐미미에스 박사는 "AI 모델을 사용하면 이용 가능한 정보를 활용하여 자폐증 가능성이 높은 개인을 조기에 식별할 수 있어 조기 진단과 도움을 받을 수 있다"고 말했다.

하지만 그녀는 "알고리즘이 자폐증을 진단할 수는 없으며, 이는 여전히 금표준 임상 방법으로 이루어져야 한다"고 덧붙였다.

연구자들이 자폐증 스크리닝을 위해 AI를 활용하려는 시도는 이번이 처음이 아니다. 이전 연구에서는 아동의 망막 스캔과 함께 이러한 기술을 사용한 바 있다.

탐미미에스 박사와 동료들은 자폐증 진단을 받은 15,330명의 아동과 그렇지 않은 15,330명의 아동에 대한 정보를 포함하는 미국 연구 이니셔티브인 스파크 연구에서 데이터를 활용했다고 보고했다.

팀은 24개월 이전에 쉽게 얻을 수 있는 28가지 측정항목에 집중했으며, 이는 부모가 보고한 의료 및 배경 설문지 정보를 기반으로 하며, 첫 미소를 지은 나이와 같은 항목이 포함된다.

그들은 이러한 특성의 조합에서 자폐 아동과 비자폐 아동 간의 다양한 패턴을 찾는 기계 학습 모델을 만들었다.

데이터를 사용하여 네 가지 다른 모델을 구축하고 조정한 후, 가장 유망한 모델을 선택하고 동일한 특성에 대한 데이터가 있는 11,936명의 참가자에 대해 테스트했다. 이 참가자 중 10,476명이 자폐증 진단을 받았다.

결과는 전반적으로 모델이 자폐 스펙트럼 장애가 있는 참가자와 없는 참가자를 9,417명(78.9%) 정확히 식별했으며, 2세 이하 아동의 경우 정확도는 78.5%, 2세에서 4세는 84.2%, 4세에서 10세는 79.2%였다.

또 다른 데이터 세트를 사용한 추가 테스트에서는 2,854명의 자폐 아동 중 68%를 정확히 식별했다.

탐미미에스 박사는 "이 데이터 세트는 자폐 아동이 한 명인 가족을 가진 연구 집단으로, 일부 매개변수가 누락되어 성능이 다소 낮았다. 따라서 추가 개발이 필요하다"고 말했다.

연구자들은 모델의 예측에서 가장 중요한 것으로 보이는 측정항목으로는 음식 섭취 문제, 긴 문장 구성의 첫 나이, 배변 훈련 달성의 첫 나이, 첫 미소의 나이 등을 언급했다.

팀은 모델이 자폐증으로 정확히 식별한 참가자와 비자폐 아동으로 잘못 식별한 참가자를 비교한 추가 분석 결과, 모델이 더 심각한 증상과 일반적인 발달 문제를 가진 개인에서 자폐증을 식별하는 경향이 있음을 시사했다고 덧붙였다.

하지만 일부 전문가들은 주의가 필요하다고 경고하며, 모델이 비자폐 아동을 정확히 식별할 수 있는 능력이 80%에 불과하므로 20%는 잘못 자폐증으로 표시될 수 있다고 지적했다. 또한 조기 진단을 추진하는 것이 문제가 될 수 있다고 언급했다.

엑서터 대학교의 진니 러셀 교수는 "어떤 유아가 매우 심각한 장애를 가질지, 그리고 느린 시작에도 불구하고 '따라잡을' 수 있는지를 판단하기 어렵기 때문에 2세 이하에서 정신과적 라벨을 적용하기에는 너무 이르다"고 말했다.