1.研究人员借助大型语言模型（LLM）分析自闭症相关行为和表现，发现重复行为、特殊兴趣和感知相关行为与自闭症诊断关联最密切。
2.该研究试图帮助医生使用更符合其实际情况的诊断工具，而非完全替代临床医生进行诊断。
3.研究团队开发了定制的LLM模块，能够精确定位报告中与正确诊断预测最相关的特定句子。
4.然而，这项研究存在一些局限性，如缺乏地理多样性和未根据人口统计学变量分析相关结果。
5.研究团队期望他们的框架能帮助研究人员和医疗专业人员更准确诊断一系列精神科、心理健康以及神经发育障碍疾病。
以上内容由腾讯混元大模型生成，仅供参考
医生通常通过临床观察和评估来确诊自闭症。为了剖析这一主观且难以描述的临床决策过程，研究人员借助大型语言模型（LLM），整合分析出最具诊断意义的自闭症相关行为和表现。3月27日，相关成果发表于细胞出版社（Cell Press）旗下期刊Cell（《细胞》）上。
研究结果显示，重复行为、特殊兴趣和感知相关行为，与自闭症诊断关联最密切。这些发现可能通过减少对社会因素的关注，改善自闭症的诊断指南——尽管既定的《精神障碍诊断与统计手册》第五版（DSM-5）将社会因素作为重点，但该模型并未将其列为诊断自闭症的关键要素。
“我们的目标不是建议用人工智能代替临床医生进行诊断。”论文通讯作者、加拿大魁北克人工智能研究所和麦吉尔大学的Danilo Bzdok表示，“相反，我们试图从定量角度明确定义医生在做出最终诊断决定时所依据的观察行为或患者病史的哪些方面。我们希望借此帮助医生使用更符合其实际情况的诊断工具。”
科学家们利用了一种基于转换器的语言模型（LLM），该模型预先在约4.89亿个独特的句子上进行了训练。随后，他们使用4000多份报告对模型进行了微调。这些报告由自闭症患者的临床医生撰写，并且通常会被多位临床医生使用，其中包含了观察到的行为和相关的患者病史，但不包括建议的诊断结果。
研究团队开发了一个定制的LLM模块，能够精确定位报告中与正确诊断预测最相关的特定句子。然后，他们提取这些句子的数值表征，并直接与DSM-5中列举的既定诊断标准进行比较。
“LLM模型凭借其先进的自然语言处理能力，十分适用于这种文本分析。”Bzdok说，“我们面临的关键挑战在于设计句子级别的可解释性工具，以精确定位由医疗保健专业人员自己表达的、对LLM正确诊断预测最为关键的表述。”
研究人员惊讶于LLM能够如此清晰地区分出最具诊断相关性的要素。例如，分析指出，重复行为、特殊兴趣和基于感知的行为是与自闭症最相关的要素。虽然这些要素在临床环境中也有所使用，但当前的标准更多地关注社交互动中的缺陷和沟通技能的缺乏。
作者们指出，这项研究存在一些局限性，包括缺乏地理多样性。此外，研究人员并未根据人口统计学变量来分析相关结果，以便让结论更具广泛适用性。
研究团队期望他们的框架能帮助研究人员和医疗专业人员，更准确诊断一系列精神科、心理健康以及神经发育障碍疾病，因为在这些疾病的诊断过程中，临床判断占了很大比重。
“我们期望这篇论文适用于更广泛的自闭症群体，并能激发关于以更多经验为基础构建诊断标准的对话。我们还希望它能将自闭症看似多样的临床表现联系在一起。”Bzdok说。
阅读论文：https://www.cell.com/cell/fulltext/S0092-8674(25)00213-2
了解更多最新研究，请关注Cell Press细胞出版社官方微信“CellPress细胞科学”