Analiza 55 badań naukowych z okresu 2017-2023 pokazuje znaczący rozwój zastosowań machine learning w diagnozie autyzmu. Zespół naukowców przeanalizował jak sztuczna inteligencja zmienia podejście do spektrum autyzmu, gdzie przyczyny pozostają niejasne, ale identyfikacja istotnych cech i ukrytych korelacji może znacznie przyspieszać wczesną diagnozę.
Metody nadzorowane dominują w tej dziedzinie ze względu na doskonałe dopasowanie do potrzeb diagnostycznych autyzmu, choć coraz ważniejszą rolę zaczynają odgrywać techniki deep learning. Przegląd wskazuje na rosnący potencjał hybrydowych podejść łączących nienadzorowane uczenie, sieci neuronowe oraz logikę rozmytą. Obecne wyzwania to przede wszystkim brak wystarczająco rozbudowanych i standaryzowanych zbiorów danych oraz trudności w integracji różnorodnych typów informacji medycznych i genetycznych.
Przyszłość widzi się w modelach zdolnych łączyć skomplikowane dane kliniczne i genetyczne z informacjami pochodzącymi z nowoczesnych źródeł, takich jak czujniki biometryczne i urządzenia wearable. Takie rozwiązania mogłyby umożliwić ciągłe, nieinwazyjne monitorowanie, dając głębszego wglądu w spektrum autyzmu. Badanie podkreśla, że sukces wymaga współpracy między różnymi dziedzinami nauki i tworzenia zdywersyfikowanych zbiorów danych, dedykowanych specjalnie do badań nad autyzmem.