及时诊断自闭症谱系障碍是一项重大挑战，但约克大学的新研究表明，年轻成年人，以及可能的儿童，如何抓握物体可能提供一种更简单的方法来诊断自闭症谱系的人。该团队是国际合作的一部分，使用机器学习分析自闭症和非自闭症个体的自然手部动作——具体来说，是抓握时的手指运动。
及时诊断自闭症谱系障碍是一项重大挑战，但约克大学的新研究表明，年轻成年人，以及可能的儿童，如何抓握物体可能提供一种更简单的方法来诊断自闭症谱系的人。
该团队是国际合作的一部分，使用机器学习分析自闭症和非自闭症个体的自然手部动作——具体来说，是抓握时的手指运动。
“我们的模型能够以约85%的准确率对自闭症进行分类，这表明这种方法可能提供更简单、可扩展的诊断工具，”首席作者、约克大学心理学系及视觉研究中心的副教授Erez Freud说道。
“目前，自闭症大约影响每50名加拿大儿童中的1名，及时和可及的诊断仍然是一个重大挑战。我们的发现增加了越来越多的研究依据，表明微妙的运动模式可能提供有价值的诊断信号——这一点在临床实践中尚未得到广泛利用。”
除了社交和沟通挑战，自闭症是一种神经发育障碍，可能包括在儿童早期常见的运动异常。研究人员表示，早期测试这些运动可能会导致更快的诊断和干预。
“诊断的主要行为标记集中在相对晚期出现的个体，而可以在儿童早期捕捉到的运动标记可能会降低诊断年龄，”以色列海法大学自闭症研究专家、此研究的重要合作者Batsheva Hadad教授说道。
自闭症和非自闭症的年轻成人参与者被要求用带有追踪标记的大拇指和食指抓握不同大小的积木，抬起每块积木并将其放回同一个地方，然后将手放回起始位置。研究人员使用机器学习分析参与者在进行抓握动作时的手指运动。
两个参与者组的智商正常，并在年龄和智力上进行匹配。使用年轻成年人而不是儿童是为了排除由于发展延迟导致的结果差异。
研究发现，微妙的运动控制差异可以有效捕捉，准确率超过84%。研究还显示，自闭症参与者和非自闭症参与者在抓握动作中有明显的动力学特性差异。
Freud表示，在以往研究中，分析自然精确抓握任务通常没有被使用。然而，机器学习为研究人员提供了一个强大的新工具来分析运动模式，为在自闭症谱系障碍评估中使用运动数据打开了新的方式。
Freud表示，这些发现可能导致更可及和可靠的诊断工具的发展，以及及时的干预和支持，从而改善未来自闭症个体的结果。
