使用社交媒体数据识别神经发育障碍的机器学习方法:系统审查
Sina Rashti Mohammad1, Fatemeh Kadaei1, Mana Mohkam2
1School of Medicine, Bushehr University of Medical Sciences, Bushehr, Iran.
International journal of medical informatics
|March 11, 2026
概括
人工智能 (AI) 和机器学习 (ML) 可以分析社交媒体数据,用于早期发现神经发育障碍 (NDD),如自闭症谱系障碍 (ASD) 和注意力缺陷/多动症障碍 (ADHD). 这些人工智能工具显示出可扩展,非侵入性查的前景,补充了传统的诊断.
科学领域:
- 计算精神病学和神经成像技术
- 数字表型化和行为分析.
- 机器学习在医疗保健中的应用.
背景情况:
- 神经发育障碍 (NDD),包括自闭症谱系障碍 (ASD) 和注意力缺陷/多动症障碍 (ADHD),显著影响儿童的发育和功能.
- 早期识别NDD对于改善长期结果至关重要,但传统的诊断方法往往耗时且资源密集.
- 社交媒体平台产生了大量的用户数据,提供了一种新的,大规模的行为和语言洞察力的来源,可能有助于早期NDD检测.
研究的目的:
- 系统地审查使用人工智能 (AI) 或机器学习 (ML) 来分析社交媒体数据以检测神经发育障碍 (NDD) 的研究.
- 评估基于AI/ML的社交媒体分析以进行NDD选的性能和趋势.
- 突出使用用户生成的社交媒体内容用于可扩展,非侵入性的NDD检测的潜力和局限性.
主要方法:
- 在五个主要科学数据库 (PubMed,Scopus,Web of Science,IEEE Xplore,ACM数字图书馆) 进行了全面的文献搜索,截至2025年7月.
- 纳入标准集中在使用人工智能或机器学习技术分析社交媒体数据以检测NDD的研究上.
- 数据提取包括平台类型,目标NDD,数据集大小,ML方法和报告的诊断性能指标 (例如F1得分).
主要成果:
- 十九项研究符合纳入标准,主要关注ASD和ADHD,使用Reddit,Twitter,YouTube和Facebook等平台.
- ML模型显示了中等到高的分类性能,F1分数从0.48到0.89不等,根据数据类型和疾病而异.
- 视频分析显示,在识别非语言行为标记方面特别有前途;然而,对其他NDD的研究有限,方法上的挑战仍然存在.
结论:
- 用人工智能驱动的社交媒体数据分析为神经发育障碍的可扩展和非侵入性查提供了一个有希望的途径.
- 目前的研究主要针对ASD和ADHD,需要扩展到代表性不足的NDD,并解决数据有效性,偏见和隐私问题.
- 这些人工智能工具有可能成为NDD常规诊断方法的有价值补充.
