结合多种眼动追踪范式来区分自闭症儿童与非自闭症儿童的优点

《Molecular Autism》：Advantages of combining multiple eye-tracking paradigms for distinguishing young autistic from non-autistic children

　　

摘要

背景

单一范式、单一测量的眼动追踪协议在区分自闭症儿童和非自闭症儿童方面显示出实用性，尽管效应大小和可重复性存在差异。目前需要简洁、可扩展的数字行为生物标志物，这些标志物能够整合来自多种眼动追踪范式的互补信息，并在结合使用时提高准确性。

方法

74名自闭症儿童和63名非自闭症儿童（年龄在24至72个月之间）在医院或幼儿园环境中进行了五种不同的眼动追踪实验（面部情绪处理、视线跟随、动态社交与几何图案识别、社交互动以及旋转任务），每个实验持续3.25分钟。从每种实验中提取了一整套基于注视点的指标数据。我们使用随机森林（RF）分类器比较了单一范式模型与结合多种范式模型的区分性能。在自闭症组中，通过标准化的临床量表评估了症状的严重程度。我们还进一步评估了这些范式是否提供了互补信息，估计了多范式模型的潜在临床价值，并进行了探索性分组分析，以检验眼动追踪所定义的轮廓是否与基于症状的分组一致。

结果

所有单独的实验范式都能区分自闭症儿童和非自闭症儿童，但随机森林模型显示基于多种范式的组合模型表现最佳，其AUC达到95%，准确率为90%。表征相似性分析表明，这些范式提供了部分不同的信息，而不仅仅反映了社交注意力的单一冗余维度。决策曲线分析显示，与将所有儿童或没有儿童视为自闭症的策略相比，多范式模型在临床相关阈值概率上提供了额外的净收益。通过对眼动追踪特征进行聚类，发现了三个具有不同视觉偏好特征的自闭症亚组，而仅基于临床症状的聚类仅识别出两个亚组。

局限性

性别不平衡和发育商数的组间差异可能会混淆某些实验结果。模型仅在单一队列中进行了内部交叉验证，且决策曲线分析依赖于假设的临床患病率，因此需要在更大、更多样化和高风险的样本中进行外部验证和测试，包括其他神经发育障碍的情况。

结论

这种简短的多范式眼动追踪组合能够提供稳健的病例对照区分能力和非冗余的行为数据输出，表明它可能补充基于症状的方法，并为未来旨在将分子发现与可观察到的自闭症特征联系起来的研究提供一个可扩展的行为框架。