90%準(zhǔn)確率的AI，為什么還不能用來(lái)診斷自閉癥？

有家長(zhǎng)跟我們說(shuō)過(guò)這樣一件事……

孩子兩歲多，不太說(shuō)話，也很少主動(dòng)看人。她一開始只是覺(jué)得“性格慢一點(diǎn)”，但心里又隱約不安。

后來(lái)，她在網(wǎng)上看到一個(gè)工具，說(shuō)“上傳一段孩子的視頻，AI可以評(píng)估自閉癥風(fēng)險(xiǎn)。”

她猶豫了很久，還是試了一下。結(jié)果出來(lái)得很快：“高風(fēng)險(xiǎn)提示”。

那一刻，她的第一反應(yīng)不是“這工具準(zhǔn)不準(zhǔn)”，而是要不要立刻去醫(yī)院？是不是已經(jīng)晚了？之前是不是忽略了什么？

但真正去醫(yī)院之后，醫(yī)生的回答卻沒(méi)有那么“確定”：“目前還不能下診斷，需要再觀察一段時(shí)間。”

同一個(gè)孩子，一邊是AI給出的“明確提示”，一邊是臨床上的“謹(jǐn)慎判斷”。

很多家長(zhǎng)第一次感受到的，不是答案，而是更大的不確定。

這些年，“AI能不能診斷自閉癥”這個(gè)問(wèn)題，被越來(lái)越多地提起。

一邊是不斷出現(xiàn)的新研究，結(jié)果看起來(lái)很亮眼；另一邊，是臨床一線始終保持的謹(jǐn)慎——可以參考，但不能依賴。

2025年9月發(fā)表的人工智能方法自閉癥譜系障礙篩查回顧

然而，這些技術(shù)無(wú)論從哪個(gè)維度切入，最終都直面同一個(gè)核心挑戰(zhàn)：在自閉癥診斷這項(xiàng)依賴行為觀察與專業(yè)判斷的復(fù)雜過(guò)程中，研究報(bào)告中“亮眼”的AI結(jié)果，要跨越到臨床現(xiàn)實(shí)，究竟面臨哪些鴻溝？

要理解這一點(diǎn)，我們必須首先回到臨床診斷的起點(diǎn)。

1

自閉癥的診斷本來(lái)就不是一件“有標(biāo)準(zhǔn)答案”的事情

自閉癥的診斷沒(méi)有一個(gè)可以直接對(duì)應(yīng)的生物學(xué)指標(biāo)，也不是靠一張檢查單就能迅速確定。更多時(shí)候，醫(yī)生依賴的是對(duì)行為的觀察，再結(jié)合ADOS、ADI-R這樣的評(píng)估工具。

這些工具是成熟的，但最后一步，仍然需要人去理解行為。

也正因?yàn)槿绱耍粋€(gè)孩子，在不同評(píng)估者那里，有時(shí)會(huì)出現(xiàn)不完全一致的判斷。再加上評(píng)估需要時(shí)間，也依賴專業(yè)資源，很多孩子真正進(jìn)入系統(tǒng)評(píng)估時(shí)，往往已經(jīng)不算早了。

AI正是在這樣的背景下被引入的。

目前對(duì)AI使用的更主流的共識(shí)是，它不能用來(lái)替代診斷，但可以讓“早期篩查”更容易的普及。

一些系統(tǒng)綜述和Meta分析顯示，在標(biāo)準(zhǔn)化數(shù)據(jù)環(huán)境中，AI模型的敏感性和特異性大約可以達(dá)到85%到92%。但這些數(shù)字，需要放在背景里看。

數(shù)據(jù)可以很漂亮，

但現(xiàn)實(shí)世界從來(lái)不按數(shù)據(jù)的方式運(yùn)作。

2看行為聽語(yǔ)言

AI處理視頻的方式和人不一樣。

2020年3月發(fā)表的多模塊人工智能方法簡(jiǎn)化兒童自閉癥診斷

人是整體去看一個(gè)孩子，而AI會(huì)把視頻拆成一幀一幀的數(shù)據(jù)——眼神有沒(méi)有停留、有沒(méi)有回應(yīng)、表情有沒(méi)有變化，這些都會(huì)被轉(zhuǎn)成特征。

醫(yī)生其實(shí)也在看這些，只不過(guò)醫(yī)生依賴的是經(jīng)驗(yàn)；而AI依賴的是模式。

在一些標(biāo)準(zhǔn)化研究中，這種方法表現(xiàn)不錯(cuò)。但其中的問(wèn)題也很快顯現(xiàn)出來(lái)。

這些效果，往往建立在被“整理過(guò)”的數(shù)據(jù)之上。畫面清晰、場(chǎng)景穩(wěn)定、行為已經(jīng)被標(biāo)注好。

一旦進(jìn)入真實(shí)生活，比如家里隨手拍的視頻，情況就完全不同了。光線會(huì)變，角度會(huì)變，孩子當(dāng)天的狀態(tài)也會(huì)變。

模型是在整理過(guò)的世界里長(zhǎng)大的，

但孩子生活在真實(shí)世界里。

除了“看”行為，還有一條路徑是“聽”語(yǔ)言。

2025年10月發(fā)表的使用學(xué)習(xí)設(shè)備對(duì)兒童語(yǔ)音轉(zhuǎn)錄進(jìn)行自閉癥譜系障礙篩查

AI 對(duì)語(yǔ)言與語(yǔ)音分析關(guān)注的不是說(shuō)了什么，而是怎么說(shuō)。句子結(jié)構(gòu)、停頓位置、語(yǔ)調(diào)變對(duì)于……這些細(xì)節(jié)，AI往往更敏感。

AI在這里做的事情，更像是在分析語(yǔ)言的“結(jié)構(gòu)”，而不是理解內(nèi)容。

有些研究甚至發(fā)現(xiàn)，僅通過(guò)語(yǔ)音特征，就可以在一定程度上區(qū)分不同發(fā)展軌跡的兒童。這讓它在遠(yuǎn)程篩查中看起來(lái)很有潛力。

但同樣的問(wèn)題也存在：語(yǔ)言受年齡、文化和環(huán)境影響很大，在不同人群之間，模型的穩(wěn)定性仍然有限。

3多模態(tài)與真實(shí)世界的差距

近年來(lái)，一個(gè)很明顯的趨勢(shì)是多模態(tài)融合。

簡(jiǎn)單說(shuō)，就是把行為、語(yǔ)言、問(wèn)卷，甚至生理數(shù)據(jù)放在一起分析。邏輯其實(shí)不復(fù)雜：自閉癥本身就不是單一維度的問(wèn)題，只看一部分，很容易遺漏信息。

2025年11月發(fā)表的 人工智能在自閉癥譜系障礙診斷中的應(yīng)用:面部、語(yǔ)音和文本分析方法的范圍綜述

從結(jié)果來(lái)看，多模態(tài)方法通常更好。但代價(jià)也很直接——模型變得越來(lái)越復(fù)雜。很多時(shí)候，連研究者自己也很難完全說(shuō)清楚，它到底是依據(jù)什么做出判斷的。

這件事在科研里或許可以接受，但一旦進(jìn)入臨床，就變得很關(guān)鍵。因?yàn)榕R床并不只需要一個(gè)“結(jié)果”，更需要一個(gè)“理由”。

現(xiàn)在很多AI模型，能給出的只是一個(gè)結(jié)論：高風(fēng)險(xiǎn)，或者低風(fēng)險(xiǎn)。

但如果繼續(xù)追問(wèn)——為什么？是因?yàn)槟抗饨佑|少？語(yǔ)調(diào)比較單一？還是某些重復(fù)行為？模型往往說(shuō)不清楚。

不能解釋的判斷，

很難真正進(jìn)入臨床。

但是實(shí)際問(wèn)題是，如果不知道問(wèn)題具體在哪里，后面的干預(yù)，其實(shí)很難展開。

因?yàn)閷?duì)臨床來(lái)說(shuō)，診斷從來(lái)不是為了“分類”，而是為了“干預(yù)”。如果不知道問(wèn)題在哪，再準(zhǔn)確的判斷，也很難幫到孩子。

而且，還有一個(gè)更隱蔽的風(fēng)險(xiǎn)。

AI很擅長(zhǎng)抓取模式，但它并不理解這些模式的意義。有時(shí)候，它捕捉到的，可能只是“看起來(lái)有關(guān)”的信號(hào)，而不一定是核心問(wèn)題。

比如光線、背景、拍攝方式，甚至一些無(wú)關(guān)的細(xì)節(jié)，都有可能被模型當(dāng)作“特征”。有時(shí)候問(wèn)題不在于它準(zhǔn)不準(zhǔn)，而在于它到底在看什么。

再往深一層看，會(huì)發(fā)現(xiàn)一個(gè)更根本的限制。

自閉癥的核心困難，在于社會(huì)性互動(dòng)。而“社會(huì)性”本身，是高度依賴情境的。

一個(gè)孩子可能語(yǔ)法很完整，但在對(duì)話中很難維持話題；也可能有回應(yīng)，但缺乏真正的互動(dòng)意圖。

這些差別，人可以在具體情境中慢慢理解，但對(duì)AI來(lái)說(shuō)，很難通過(guò)幾個(gè)可量化指標(biāo)真正把握。最關(guān)鍵的能力，往往也是最難被機(jī)器理解的那一部分。

而這背后，其實(shí)還有一個(gè)基礎(chǔ)問(wèn)題：我們能提供給AI學(xué)習(xí)的數(shù)據(jù)，本身就是有限的。

尤其是“社交行為”這種內(nèi)容，本來(lái)就很難被標(biāo)準(zhǔn)化標(biāo)注。什么算自然互動(dòng)？什么算有效回應(yīng)？這些問(wèn)題，人之間都未必完全一致。

所以我們可以這樣理解，AI目前更擅長(zhǎng)做的，是發(fā)現(xiàn)“可能存在差異”，而不是解釋這些差異意味著什么。

現(xiàn)在我們把所有研究放在一起看，稍加思考，就可以得到一個(gè)清晰的結(jié)論：

AI更適合做輔助，而不是替代診斷。

它可以幫助更早識(shí)別風(fēng)險(xiǎn)，提高篩查效率，也能在一定程度上減輕評(píng)估負(fù)擔(dān)。

但真正的判斷，仍然需要人來(lái)完成。

AI可以幫我們更早看到問(wèn)題，但不能替我們理解問(wèn)題。

最后，也許可以換一個(gè)角度來(lái)看這件事。

AI在這個(gè)領(lǐng)域帶來(lái)的變化，不只是技術(shù)層面的。它其實(shí)在慢慢改變一件更基礎(chǔ)的事情——我們?nèi)绾稳ビ^察一個(gè)孩子。

過(guò)去，我們更多依賴經(jīng)驗(yàn)和直覺(jué)；現(xiàn)在，這些細(xì)節(jié)開始被拆開、記錄，再重新組合。

這不會(huì)讓答案變得更簡(jiǎn)單。但至少，讓我們看見的東西，比以前更細(xì)了一些。

AI讓我們看見更多，但理解一個(gè)孩子，始終是人的工作。

參考文獻(xiàn)（向上滑動(dòng)閱覽）

1.Jia, S.-J., Jing, J.-Q., & Yang, C.-J. (2025).A review on autism spectrum disorder screening by artificial intelligence methods.Journal of Autism and Developmental Disorders, 55(9), 3011–3027.
https://doi.org/10.1007/s10803-024-06429-9 (PubMed)

2.Reilly, A., Walsh, N., O’Reilly, D., Smyth, M., Gorman, K., Ostadabbas, S., & Power, C. (2025).The role of machine learning in autism spectrum disorder assessment and management.Pediatric Research, 98(7), 2503–2517.
https://doi.org/10.1038/s41390-025-04566-0 (PubMed)

3.Zhang, S. (2025).AI-assisted early screening, diagnosis, and intervention for autism in young children.Frontiers in Psychiatry, 16, 1513809.
https://doi.org/10.3389/fpsyt.2025.1513809 (PubMed)

4.Aldakhil, A. F., & Alasim, K. N. (2025).Diagnostic accuracy of AI-based models for autism spectrum disorder: A systematic review and meta-analysis.Research in Developmental Disabilities, 167, 105166.
https://doi.org/10.1016/j.ridd.2025.105166 (PubMed)

5.Han, W., Yang, X., Li, X., Wang, J., Liu, J., & Pang, W. (2026).Machine learning-based diagnosis of autism spectrum disorder using eye-tracking data: A systematic review and meta-analysis.International Journal of Medical Informatics, 208, 106235.
https://doi.org/10.1016/j.ijmedinf.2025.106235 (PubMed)

6.Mohammadi, F., Shahrokhi, H., Asadzadeh, A., Pirmoradi, S., Moghtader, A., & Rezaei-Hachesu, P. (2025).Artificial intelligence in autism spectrum disorder diagnosis: A scoping review of face, voice, and text analysis methods.Health Science Reports, 8(11), e71476.
https://doi.org/10.1002/hsr2.71476 (PubMed)

7.Rakotomanana, H., & Rouhafzay, G. (2025).A scoping review of AI-based approaches for detecting autism traits using voice and behavioral data.Bioengineering, 12(11), 1136.
https://doi.org/10.3390/bioengineering12111136 (MDPI)

8.Agrawal, R., & Agrawal, R. (2025).Explainable AI in early autism detection: A literature review of interpretable machine learning approaches.Discover Mental Health, 5, 98.
https://doi.org/10.1007/s44192-025-00232-3 (Springer)