90%準確率的AI，為什么還不能用來診斷自閉癥？

有家長跟我們說過這樣一件事……

孩子兩歲多，不太說話，也很少主動看人。她一開始只是覺得“性格慢一點”，但心里又隱約不安。

后來，她在網上看到一個工具，說“上傳一段孩子的視頻，AI可以評估自閉癥風險。”

她猶豫了很久，還是試了一下。結果出來得很快：“高風險提示”。

那一刻，她的第一反應不是“這工具準不準”，而是要不要立刻去醫院？是不是已經晚了？之前是不是忽略了什么？

但真正去醫院之后，醫生的回答卻沒有那么“確定”：“目前還不能下診斷，需要再觀察一段時間。”

同一個孩子，一邊是AI給出的“明確提示”，一邊是臨床上的“謹慎判斷”。

很多家長第一次感受到的，不是答案，而是更大的不確定。

這些年，“AI能不能診斷自閉癥”這個問題，被越來越多地提起。

一邊是不斷出現的新研究，結果看起來很亮眼；另一邊，是臨床一線始終保持的謹慎——可以參考，但不能依賴。

2025年9月發表的人工智能方法自閉癥譜系障礙篩查回顧

然而，這些技術無論從哪個維度切入，最終都直面同一個核心挑戰：在自閉癥診斷這項依賴行為觀察與專業判斷的復雜過程中，研究報告中“亮眼”的AI結果，要跨越到臨床現實，究竟面臨哪些鴻溝？

要理解這一點，我們必須首先回到臨床診斷的起點。

1

自閉癥的診斷本來就不是一件“有標準答案”的事情

自閉癥的診斷沒有一個可以直接對應的生物學指標，也不是靠一張檢查單就能迅速確定。更多時候，醫生依賴的是對行為的觀察，再結合ADOS、ADI-R這樣的評估工具。

這些工具是成熟的，但最后一步，仍然需要人去理解行為。

也正因為如此，同一個孩子，在不同評估者那里，有時會出現不完全一致的判斷。再加上評估需要時間，也依賴專業資源，很多孩子真正進入系統評估時，往往已經不算早了。

AI正是在這樣的背景下被引入的。

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

一些系統綜述和Meta分析顯示，在標準化數據環境中，AI模型的敏感性和特異性大約可以達到85%到92%。但這些數字，需要放在背景里看。

數據可以很漂亮，

但現實世界從來不按數據的方式運作。

2看行為聽語言

AI處理視頻的方式和人不一樣。

2020年3月發表的多模塊人工智能方法簡化兒童自閉癥診斷

人是整體去看一個孩子，而AI會把視頻拆成一幀一幀的數據——眼神有沒有停留、有沒有回應、表情有沒有變化，這些都會被轉成特征。

醫生其實也在看這些，只不過醫生依賴的是經驗；而AI依賴的是模式。

在一些標準化研究中，這種方法表現不錯。但其中的問題也很快顯現出來。

這些效果，往往建立在被“整理過”的數據之上。畫面清晰、場景穩定、行為已經被標注好。

一旦進入真實生活，比如家里隨手拍的視頻，情況就完全不同了。光線會變，角度會變，孩子當天的狀態也會變。

模型是在整理過的世界里長大的，

但孩子生活在真實世界里。

除了“看”行為，還有一條路徑是“聽”語言。

2025年10月發表的使用學習設備對兒童語音轉錄進行自閉癥譜系障礙篩查

AI 對語言與語音分析關注的不是說了什么，而是怎么說。句子結構、停頓位置、語調變對于……這些細節，AI往往更敏感。

AI在這里做的事情，更像是在分析語言的“結構”，而不是理解內容。

有些研究甚至發現，僅通過語音特征，就可以在一定程度上區分不同發展軌跡的兒童。這讓它在遠程篩查中看起來很有潛力。

但同樣的問題也存在：語言受年齡、文化和環境影響很大，在不同人群之間，模型的穩定性仍然有限。

3多模態與真實世界的差距

近年來，一個很明顯的趨勢是多模態融合。

簡單說，就是把行為、語言、問卷，甚至生理數據放在一起分析。邏輯其實不復雜：自閉癥本身就不是單一維度的問題，只看一部分，很容易遺漏信息。

2025年11月發表的 人工智能在自閉癥譜系障礙診斷中的應用:面部、語音和文本分析方法的范圍綜述

從結果來看，多模態方法通常更好。但代價也很直接——模型變得越來越復雜。很多時候，連研究者自己也很難完全說清楚，它到底是依據什么做出判斷的。

這件事在科研里或許可以接受，但一旦進入臨床，就變得很關鍵。因為臨床并不只需要一個“結果”，更需要一個“理由”。

現在很多AI模型，能給出的只是一個結論：高風險，或者低風險。

但如果繼續追問——為什么？是因為目光接觸少？語調比較單一？還是某些重復行為？模型往往說不清楚。

不能解釋的判斷，

很難真正進入臨床。

但是實際問題是，如果不知道問題具體在哪里，后面的干預，其實很難展開。

因為對臨床來說，診斷從來不是為了“分類”，而是為了“干預”。如果不知道問題在哪，再準確的判斷，也很難幫到孩子。

而且，還有一個更隱蔽的風險。

AI很擅長抓取模式，但它并不理解這些模式的意義。有時候，它捕捉到的，可能只是“看起來有關”的信號，而不一定是核心問題。

比如光線、背景、拍攝方式，甚至一些無關的細節，都有可能被模型當作“特征”。有時候問題不在于它準不準，而在于它到底在看什么。

再往深一層看，會發現一個更根本的限制。

自閉癥的核心困難，在于社會性互動。而“社會性”本身，是高度依賴情境的。

一個孩子可能語法很完整，但在對話中很難維持話題；也可能有回應，但缺乏真正的互動意圖。

這些差別，人可以在具體情境中慢慢理解，但對AI來說，很難通過幾個可量化指標真正把握。最關鍵的能力，往往也是最難被機器理解的那一部分。

而這背后，其實還有一個基礎問題：我們能提供給AI學習的數據，本身就是有限的。

尤其是“社交行為”這種內容，本來就很難被標準化標注。什么算自然互動？什么算有效回應？這些問題，人之間都未必完全一致。

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

現在我們把所有研究放在一起看，稍加思考，就可以得到一個清晰的結論：

AI更適合做輔助，而不是替代診斷。

它可以幫助更早識別風險，提高篩查效率，也能在一定程度上減輕評估負擔。

但真正的判斷，仍然需要人來完成。

AI可以幫我們更早看到問題，但不能替我們理解問題。

最后，也許可以換一個角度來看這件事。

AI在這個領域帶來的變化，不只是技術層面的。它其實在慢慢改變一件更基礎的事情——我們如何去觀察一個孩子。

過去，我們更多依賴經驗和直覺；現在，這些細節開始被拆開、記錄，再重新組合。

這不會讓答案變得更簡單。但至少，讓我們看見的東西，比以前更細了一些。

AI讓我們看見更多，但理解一個孩子，始終是人的工作。

參考文獻（向上滑動閱覽）

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)