根据在PLOS Medicine上发表的一篇研究文章，斯坦福大学的一个研究小组使用机器学习技术通过简短的家庭录像来快速，准确地诊断儿童自闭症。在看到令人鼓舞的结果之后，该方法可能会极大地影响自闭症患者被诊断后获得治疗的时间。
斯坦福大学医学院的研究数据科学家Qandeel Tariq表示：“这些结果支持这样的假设，即可以通过移动视频分析和机器学习分类有效地大规模完成自闭症的检测，以快速生成量化的自闭症风险指标。”等。写道。“这样的过程可以简化自闭症的诊断过程，从而使早期发现和早期接受治疗对社会发展的早期影响最大。”
诊断自闭症时，医生通常会进行几次行为检查，并评估20到100种行为，这些行为可能需要几个小时才能完成。研究人员说，这些标准做法导致诊断等待时间长，患者获得治疗的延迟以及当前医疗系统的压力。
“在，诊断评估的等待时间可能达到或超过12个月，在，平均诊断年龄仍保持在5岁左右，在ASD诊断中服务欠佳的人群的平均年龄高达8岁，” Tariq等。写道。“在，大多数精神病学和精神卫生状况普遍存在诊断和治疗服务的高度可，77%的县严重缺乏精神卫生服务。”
研究人员认为，使用机器学习来分析家庭视频可以加快诊断过程，同时仍然保持准确性。在这项研究中，研究人员使用了8种机器学习模型来分析162例自闭症儿童和不自闭症儿童的家庭视频。然后测试了模型在移动平台上可靠地检测自闭症的能力。
这项研究表明，每种机器学习模型的灵敏度都在94.5%以上，而只有三种模型的特异性在50%以上。表现最好的模型的准确度为88.9%，灵敏度为94.5%，特异性为77.4%。接下来的最佳表现模型的准确度为85.4%和84.8%。
具体而言，一种模型，LR5(五项逻辑回归分类器)，在六岁以上儿童中，所有年龄段的准确性最高。
作者写道：“该模型在4至6岁的儿童中表现最佳，敏感性和特异性均在90%以上。”“在使用效果最佳的分类器LR5时，三个评分者一致同意162个视频中的116个(占72%)。”
尽管需要进一步的测试，但研究人员认为，这种方法可能会减轻“与获得诊断资源有关的地理和财务负担，并为发现不足的人群(包括发展中的人群)提供更多平等的机会”。