自闭症谱系障碍（autism spectrum disorder，ASD），也称孤独症，是一类以社交交往障碍、语言交流障碍、以及兴趣狭窄及重复刻板行为为核心临床表现的脑神经系统发育障碍性疾病［DSM-5’］，可伴有多动、癫痫、感知异常、认知功能障碍、睡眠障碍，甚至抑郁，焦虑等其他神经精神系统疾病^［1-3］。ASD一般在2~6岁时可确诊，平均确诊年龄在2~3岁（美国）或者 3~4岁（中国），其临床症状可维持终身。ASD严重影响患儿本人的神经精神卫生健康，约80%的患儿终身残疾，其中有80%以上的患者生活不能自理。不管是日常生活方面，精神层面，还是在经济方面等，都造成了一般家庭难以承受的打击。ASD患儿对社会资源的需求，包括医疗，康复，教育等各个方面，都十分庞大，给社会带来了严重的负担，因此ASD被定义为社会重大负担性疾病^［4］。到2025年，美国用于ASD的社会成本预计可达近5 000亿美元^［5］，高于2023年广州市全年总GDP。尽管中国目前还缺乏权威数据，但ASD的社会经济成本可能会比美国更大。一是因为中国的人口基数十分庞大，自闭症患者的绝对数量显然比美国多；其二，中国自闭症的早期诊断与美国相比相对滞后，其治疗所需的基础设施也相对薄弱或不健全，所以其总社会成本将可能最终会更大；第三，自闭症的社区管理机制在中国的许多地方尚未建立，其后续的管理成本将进一步增加。同时，该病不仅是中国社会的一个痛点，也是全世界的一个痛点。据此，联合国大会于2007年12月通过大会决议，将每年的4月2日定为“世界自闭症关注日”，以提高全世界人们对自闭症病人、家庭、专门教育机构及学校、以及相关研究与临床实践的关注、重视与支持，以期达到我们的终极目标，使自闭症患者能尽早回归社会。

1 ASD的诊断及治疗现状

       根据ASD的核心临床表现，常规使用了超过十种不同的行为学检测工具，或者行为量表，包括异常行为检查表（autism behavior checklist，ABC），儿童自闭症评定量表（childhood autism rating scale，CARS），自闭症诊断观察量表（autism diagnostic observation schedule，ADOS），自闭症诊断面谈修订版（autism diagnostic interview-revised，ADI-R）等^［6-8］。经验丰富的神经内科/精神科医生利用这些行为学检测工具，特别是再加上脑电图（EEG）、眼动图等辅助诊断措施，对2岁以上，甚至1.5岁以上的ASD儿童，基本上能做出准确的诊断。1.5岁（18月龄）也是目前国际上认可的ASD最早诊断年龄。最近，有报道称使用EEG非常有可能对ASD进行早期诊断^［9-10］。但EEG抓取的是在宏观水平的脑电波异常，或者宏观水平的脑功能连接，因此缺乏特异性^［11］。同样，最近有证据显示眼动测试的改良可提前ASD的诊断年龄^［12］，但眼动图在本质上检测的是婴幼儿亲子之间的社会交流行为，在缺乏语言交流和其他行为评估的前提下，改良的眼动检测也只是检测到ASD的一个方面，而不是ASD的全部^［13］。更为关键是该方面的异常也可在非ASD患者中显现，比如单纯的社交障碍、抑郁症病人等等^［14］。因此，眼动检测在一定程度上缺乏特异性，单凭其很难提前ASD的诊断年龄。所以，目前尚缺乏可靠的ASD早期诊断方法。

       针对ASD的核心症状，目前临床上尚无稳定有效的药物可用，但早期行为干预对于改善患者临床表现，以及长期预后具有十分重要的意义。从神经可塑性原理的角度来说，理论上越早干预，其效果可能越好。目前，推荐在患儿半岁开始时，就进行适当的行为干预。但能否进行早期行为干预，在很大程度上取决于是否能进行早期诊断。然而，传统的ASD诊断方法主要依赖于行为量表的使用。这些量表的使用，一方面取决于医生的判断、医生的经验，以及儿童监护人所提供信息的准确性。另外一方面，年龄太小的儿童，比如2岁以下的儿童，其社交行为、语言交流技能等尚未发育到一个可以稳定表现的水平，量表测试的结果其可靠性也存在一定的不确定性。此外，ASD的临床表现具有高度异质性，不同年龄、性别和文化背景的患者可能表现出不同的症状，这进一步增加了诊断的复杂性。所以，目前国际上比较公认的ASD可诊断年龄在2岁及以后。显然，这些因素是目前影响患者在2岁前接受行为干预的主要障碍。

2 人工智能（AI）技术在ASD早期诊断应用中的研究概况

       近年来，AI技术在医疗领域的快速发展为ASD早期诊断提供了新的可能性。AI能够通过分析多模态数据（如行为学数据、医学影像、语音记录等），自动提取特征并建立诊断模型，从而辅助医生进行更高效、更客观的诊断。例如，基于深度学习的图像分析技术可以从脑部磁共振成像（MRI）或功能磁共振成像（fMRI）数据中识别出ASD相关的生物标记物，而自然语言处理技术则可以通过分析儿童的语音模式来检测语言发育异常。这些技术的应用不仅能够缩短诊断所需时间，还能降低对专业资源的依赖，为普及ASD的早期筛查和干预提供技术支持。

3 ASD早期诊断的生物学基础

3.1 ASD早期生物标记物

       通过近半个世纪的研究，人们已建立了各种不同的生物标记物。Courchesne等^［15］首次提出ASD儿童的脑发育异常呈现两阶段特征：出生时头围较小，随后在6~14个月出现头围快速增长（增长1.67个标准差）。这一异常生长轨迹与后期大脑皮层体积增大相关，59%的ASD患儿在6~14个月呈现加速头围增长。Network等^［16］发现高风险婴儿在6~12个月时皮质表面积过度扩展（hyperexpansion）可预测24个月时的脑体积过度生长，结合深度学习算法在6~12个月的MRI数据中预测ASD诊断的灵敏度达88%。由于ASD的遗传度可高达70%~90%，基因变异也是ASD生物标记物的一个重要组份^［17-19］。特别是近三四十年来，随着大量的临床关联分析的实施，已发现超过1 000个基因的变异可能与ASD的发病相关联，其中包括许多基因变异是在中国人群中发现^［20-21］。近来也有证据显示某些肠道微生物的改变与ASD的发生发展密切相关^［22］。这些发现的确说明ASD可伴随许多早期的变化。但是，由于ASD的异质性高等原因，基于这些生物标记物的变化，包括基因变异等，所形成的检测手段尚不能达到早期诊断的目的。

3.2 ASD脑结构改变

       随着脑影像技术的推广使用，已有证据显示ASD患者可能存在脑结构的改变^［23］。Elison等^［24］发现7月龄高家族风险且后期确诊ASD的婴儿表现出更长的视觉定向潜伏期，且胼胝体压部（splenium）白质微结构与视觉定向行为的关联性仅在低风险婴儿中存在，而在ASD患儿中消失。这一发现提示，ASD早期可能伴随皮质后部神经环路功能特化的异常，支持了ASD的“后部皮质发育异常模型”。Payabvash等^［25］发现ASD儿童白质网络连接普遍降低，尤其是右半球区域，提出连接密度可作为影像学生物标志物。Ohta等^［26］比较ASD和ADHD成人的白质差异，发现两者在胼胝体后部共享相似的FA和RD异常，且白质改变与感觉症状相关，但样本年龄跨度较大可能影响结果稳定性。但是，由于自闭症是高异质性疾病，以上所有的脑结构性数据都比较难在临床上有非常好的重复性，或者能在一个比较大的人群中得到验证。所以，从早期诊断的角度，这些脑结构的改变似乎也不足以形成其可靠的诊断标准。

4 AI在ASD相关研究中核心技术

4.1 深度学习

       深度学习为数据驱动的核心逻辑，依赖多模态数据（如行为视频、脑影像、基因表达）构建预测模型，需处理结构化（量表评分）数据与非结构化数据（视频帧、EEG信号）。解决数据稀疏性（低龄患儿样本少）、标签噪声（临床诊断主观性）、 和类别不平衡（ASD vs 正常发育比例悬殊）的挑战。其次，需有临床验证的必要性，通过金标准验证（如ADOS评估结果）衡量模型性能，并遵循医学指南（如DSM-5标准）确保结果具有临床意义。同时需依赖跨学科协作，结合发育心理学、神经科学知识优化特征选择与模型解释。深度学习则采用自动特征提取，包括从原始视频帧学习微表情动态模式或者从fMRI时序数据捕捉全脑网络动态演化等，依赖海量标注数据（万级样本）。Zhou等^［27］通过全基因组深度学习框架发现患者的非编码突变对转录和转录后调控的破坏显著高于未患病同胞，并强调了其与突触传递、神经元发育的关联。然而，该研究未深入探讨非编码突变与临床表现异质性的直接联系。在临床诊断与预测方面，Allesøe等^［28］结合丹麦全国注册数据和遗传信息，开发了跨诊断深度学习模型，能够以较高准确率（AUC=0.81）预测多种精神障碍（包括ASD、精神分裂症等）的诊断及严重程度轨迹。

4.2 特征工程（SVM/随机森林）

       在传统机器学习中，特征工程是模型性能的关键驱动力，但在处理高维数据（如基因序列、脑影像、多模态行为数据）时，其局限性会显著暴露。另外，高维数据中常存在大量无关或冗余特征（如脑影像中无关脑区的体素值），手工特征工程难以精准过滤噪声。比如在ASD视频行为分析中，手工提取的微动作特征（如眨眼频率、肢体角度）可能包含大量与诊断无关的冗余信息（如环境光照变化），导致模型准确率下降。再者，传统特征工程依赖人工假设特征与标签的线性或简单非线性关系，难以捕捉高维空间中的复杂交互效应。如Aggarwal等^［29］在fMRI脑功能连接分析中，采用多元图学习方法发现ASD患者可能表现为多个脑网络（默认网络、突显网络）的动态协同异常，但手工构造的静态连接强度特征无法表征这种时空非线性耦合。

       综上，特征工程在传统机器学习中虽然重要，但其在高维数据中的局限性（维度灾难、噪声敏感、非线性建模不足）已成为瓶颈。针对ASD等复杂疾病的早期诊断，结合自动特征选择、表示学习与深度学习是更优路径，既能保留可解释性，又能突破手工特征工程的效率天花板。

4.3 端到端学习（CNN/Transformer）对多模态时序数据的适应性

       端到端学习在多模态时序数据中展现出强大的适应性，其核心在于通过统一的模型架构直接处理原始异构数据，自动提取跨模态时空特征并建模复杂交互。Ahmed等^［30］首次提出单体积脑图像生成方法，通过改进卷积神经网络（CNN）和集成学习策略，在ASD脑影像数据交换平台（ABIDE）多站点数据集上实现了超越传统方法的分类性能。Leming等^［31］进一步创新性地将结构相似性矩阵引入ASD分类，发现其性能（AUROC=0.729 8）优于功能连接矩阵（AUROC=0.696 4），表明灰质体积分布可能提供更稳定的生物标志物。Jiang等^［32］则提出时空注意力4D卷积模型（STA-4DCNN），在HCP和ABIDE数据集上成功捕捉ASD患者异常的时空功能网络模式，验证了高维特征整合的有效性。总体而言，CNN/Transformer的端到端学习为多模态时序数据提供了从特征提取、融合到决策的一体化解决方案，正在推动智能诊断、人机交互等领域的范式变革。

4.4 多模态融合策略

        针对数据异质性和模型可解释性问题，多模态融合成为关键策略。Kulvicius等^［33］通过压力-惯性-视觉三传感器融合，将婴儿运动分类准确率提升至94.5%，证明多源信息互补可显著提升模型鲁棒性。Leming等^［31］通过可视化分析发现模型隐层对数据来源（不同扫描中心）和协变量（如性别）存在特异性编码区域，为解决多站点数据异质性提供了新思路。然而，这些研究普遍面临局限性：Ahmed等^［30］未公开具体AUROC数值；Leming等^［31］数据集中于青少年群体，泛化性受限；Kulvicius等^［33］尚未进行临床验证。

4.5 早期融合（特征拼接）vs 晚期融合（决策加权）的临床适用场景对比

       早期融合（特征拼接）是在输入层直接拼接多模态特征（如影像像素-基因表达量-生理指标），通过单模型端到端学习跨模态交互关系。当不同模态存在时空耦合或生物学关联时（如CT影像的肿瘤纹理与对应基因突变），特征拼接可显式建模交互效应。如Ecker等^［34］发现ASD患者的皮层厚度异常不仅局限于额颞叶和扣带回等“核心”脑区，还涉及更广泛的神经系统，这些区域富集了ASD相关基因。晚期融合（决策加权）则基于各模态独立建模（如CNN处理影像、LSTM处理病程记录），通过概率加权（平均/投票）或元学习器（逻辑回归/随机森林）整合预测结果。如Rajagopalan等^［35］通过机器学习方法，探讨了基于少量背景与医学信息预测ASD的可行性。

       综上，早期融合更适用于探索性研究（如发现多模态生物标志物组合），需配合严格的数据清洗与降维。晚期融合在临床落地场景中更具实用性（如分级诊疗系统），尤其适合资源受限与数据异构环境。未来趋势倾向于动态可解释融合架构（如神经符号系统），既能端到端学习多模态交互，又能嵌入临床知识图谱约束，满足循证医学需求。

4.6 基于跨模态注意力机制的动态关联建模

       基于跨模态注意力机制的动态关联建模是一种针对多模态数据（如医疗场景中的影像、基因、电子病历等）中模态间复杂交互关系的先进融合方法，其核心在于通过注意力权重动态捕捉跨模态的时空依赖与语义关联，突破传统静态融合策略的局限性。如Dekhil等^［36］通过rs-fMRI研究了ASD患者动态功能连接（dynamically functional connectivity，dFC）的波动模式及其与ASD 的ADOS评分的关联。Shen等^［37］通过纵向MRI研究发现，ASD患儿在6~24个月期间杏仁核体积增速显著快于对照组。Wang等^［38］提出时态动态学习（TDL）框架，整合全局网络演化和局部特征提取，在ASD分类中表现优异。

       综上，跨模态注意力机制通过动态权重分配与细粒度交互建模，为临床多模态数据分析提供了更灵活、可解释的融合范式。其在疾病早期预警、精准分型与治疗响应预测中的价值已得到验证，但需进一步解决计算效率、模态对齐与小样本适应性问题。未来融合神经符号学习与因果推理的混合架构，有望推动临床决策系统从“黑箱预测”向“可解释智能”跃迁。

5 多模态数据分析

5.1 眼球运动与微表情分析

       通过深度学习算法捕捉儿童对特定刺激（如电影片段）的注意力分布、眨眼频率、面部表情变化等，识别ASD相关的视觉行为特征（如眼神回避）。Jones等^［12］通过多中心研究验证了眼动追踪测量社交视觉参与在ASD诊断中的潜力。Zhao等^［27］创新性地将眼动追踪数据与面对面对话场景结合，利用支持向量机对ASD与典型发育（TD）儿童进行分类，最高准确率达92.31%。不难发现，计算机视觉技术已广泛用于ASD的行为标记量化（如面部表情、运动模式），并推动研究从主观评估转向客观分析。但领域内仍存在数据集标准化不足、跨学科合作有限等问题。

5.2 身体动作捕捉

       AI系统分析儿童在自然情境下的重复性动作（如手臂拍打、头部晃动），结合运动传感器数据建立行为模式数据库。Ko等^［39］通过视频分析联合注意行为（IJA和RJA），构建了区分ASD与TD的深度学习模型，准确率达97.6%（AUROC=99.6%）。Li等^［40］提出了一种基于长短期记忆网络（LSTM）的模型，直接从原始视频数据中提取时间序列特征，用于ASD儿童的分类。Tariq等^［41］则开发了一个包含30个行为特征的稀疏逻辑回归模型（LR5），在跨数据集验证中取得了89%的AUC值。

5.3 语音与语言模式分析

       大型语言模型分析临床诊断报告中的关键句子，定位社交沟通障碍的核心描述（如刻板语言、代词混淆），辅助标准化诊断。Stanley等［42］聚焦于该模型在解构ASD诊断中临床直觉的作用。此外，Plank等^［43］通过提取对话中的语音参数（如语速、单调性）和轮流互动特征实现了76.2%的ASD分类准确率。在早期预测方向，Ben-Sasson等^［44］利用婴儿健康记录构建机器学习模型，通过语言、运动等里程碑预测ASD，检出率约65%，但依赖历史数据可能导致偏差。

5.4 多模态行为数据整合（VR/AR场景交互数据）

       结合游戏化任务、VR/AR场景交互数据，AI系统同步分析儿童的社交反应、情绪表达和任务完成模式，生成综合行为评估报告。多数研究表明，VR可通过模拟安全可控的社交场景帮助ASD儿童改善社交能力。Bian等^［45］设计了自适应VR驾驶平台，通过生理信号实时调整任务难度，增强了ASD个体的参与度。Goh等^［46］的虚拟超市游戏则通过动作捕捉技术帮助儿童掌握购物技能。部分研究探索了VR与AI、增强现实（AR）的协同效应。Sarker等^［47］结合AR/VR设计多阶段游戏，显著提升了ASD儿童的共同注意力。

5.5 神经影像与深度学习结合

      通过可解释AI模型（如CNN）分析fMRI数据，识别ASD相关的关键脑区，显著提高诊断客观性。Di Martino等^［48］发现ASD患者以皮质间和半球间功能连接减弱为主，同时提出丘脑和后扣带回可能是关键异常区域。Chen等^［49］在此基础上频率特异性功能连接对ASD的分类效果，发现慢4和慢5频段的功能连接特征可显著提高分类准确率（73.1%）。Parisot等^［50］提出了一种基于图卷积网络（GCNs）的疾病预测框架，在ABIDE和ADNI（AD数据集）上的分类准确率分别达到70.4%和80.0%。然而，上述研究局限性包括对图结构构建的依赖性（如边权重定义对表型信息的选择敏感）以及在大规模异构数据中的计算效率问题。

5.6 视网膜图像识别技术

       近年来，视网膜成像技术及AI方法在ASD的筛查和机制研究中展现出重要潜力。多项研究表明，ASD患者视网膜结构存在特异性改变。Li等^［51］通过OCT/OCTA技术发现，ASD儿童视网膜椭圆体区（EZ）厚度显著增加，且左眼大血管密度降低，提示视网膜结构变化可能与脑部发育异常相关。然而，Constable等^［52］发现ASD患者的光适应负反应（PhNR）与对照组无显著差异，提示视网膜功能的某些层面可能未受直接影响。Lai等^［53］利用机器学习分析视网膜图像，开发出灵敏度95.7%、特异性91.3%的ASD分类模型。Ranjana等^［54］提出基于眼动追踪的ADET模型，通过角点检测优化视觉Transformer，分类准确率显著优于传统方法。然而，这些研究普遍依赖小样本，且模型泛化能力需进一步验证。

5.7 基因组学与深度学习

       利用深度神经网络分析全基因组测序数据，识别ASD相关遗传变异（如SHANK3、CNV），预测疾病风险。Wu等^［55］开发了STAR-NN模型，利用全外显子测序数据预测ASD状态，准确率达73%，但模型仍需功能验证。Girault等^［23］通过脑类器官模型揭示ASD风险基因（如SUV420H1、CHD8）导致GABA能神经元发育异步，但个体基因组背景可能调节表型表达^［56］。Trevino等^［57］结合单细胞染色质可及性与基因表达图谱，发现非编码突变通过破坏转录因子结合位点影响神经分化，但细胞类型特异性分析的普适性受限。

6 多模态数据融合与动态评估

        机器学习模型同步分析行为视频（眼动轨迹）、生理信号（心率变异性）、脑影像（fMRI激活模式）等多源数据，构建ASD多维诊断图谱。Tissink等^［58］通过多变量全基因组关联研究结合结构、功能（fMRI）和弥散（DTI）磁共振成像数据，系统探索了跨神经影像模态的基因多效性。Murias等^［59］通过脑电图相干性分析，探究ASD患者在闭眼静息状态下的脑功能连接特征。研究结果显示，ASD患者在不同空间与时间尺度上存在“过连接”与“欠连接”共存的模式，这可能反映了神经网络整合与分化的失衡。

7 临床资料与诊断工具优化

       基于临床报告微调的大型语言模型，自动提取ADOS-2、ADI-R等工具中的核心诊断依据（如社交缺陷描述、重复行为记录），减少人为解读偏差。根据Giraul等^［23］的研究，该团队开发了一种基于LLMs的可解释性框架，用于解构ASD诊断的临床直觉。研究通过分析4 272份法文临床报告（涉及1 080名疑似ASD儿童），发现重复行为和感知相关特征比传统DSM-5标准中的社交缺陷更具诊断特异性^［42］。

8 AI技术在ASD早期诊断临床应用中的案例 

8.1 Cognoa系统（结合家长问卷与家庭视频分析诊断）

        Megerian等^［60］开发了一款基于AI的医疗设备辅助初级保健医生（HCPs）诊断ASD。该研究采用多中心、前瞻性、双盲设计，纳入425名18~72个月有发育迟缓问题的儿童（ASD患病率29%），通过结合三种行为特征输入（家长问卷、家庭视频分析、HCP问卷）并应用梯度提升决策树算法，生成诊断结果（ASD阳性、阴性或不确定）。局限性包括样本仅限于初级保健场景、未评估设备对长期干预的影响，以及不确定结果仍需专家介入处理。该设备展现了在初级保健中提高ASD诊断效率的潜力，获得了美国FDA的认证，但需进一步验证其临床适用性。

8.2 EarliPoint系统（ASD儿童眼动追踪和诊断评估）

        Jones等^［12］通过两项前瞻性研究验证了眼动追踪技术（社交视觉参与度测量）作为ASD诊断工具的潜力。评估了基于眼动追踪技术的社会视觉参与度测量（指标测试）在ASD早期诊断中的效能。首次大规模验证眼动追踪技术对诊断明确亚组的高鉴别力（灵敏度78.0%，特异度85.4%）。该技术也获得了美国FDA的认证。

8.3 “家庭-医院”协同网络

       Abbas等^［61］提出了一种基于多模块AI的评估系统，旨在优化低龄儿童ASD诊断流程。该研究针对现有诊断工具耗时、依赖专业人员的痛点，整合了三个互补模块。通过美国多中心盲法临床研究（n=375，18~72月龄儿童），其系统在AUC指标上较基线筛查工具提升0.35（90%CI：0.26~0.43），在保持90%灵敏度时特异度提高0.69（90%CI：0.58~0.81）。值得注意的是，对于48月龄以下儿童群体，该系统的AUC优势达0.18（90%CI：0.08~0.29），特异度提升0.3（90%CI：0.11~0.5）。该方法的创新性在于通过多模态数据融合实现了诊断级可靠性，但研究样本的地域局限性和长期跟踪数据的缺乏可能影响结论的普适性。

9 挑战与未来方向

9.1 数据稀缺性

       婴幼儿ASD患者临床确诊延迟，通常在2~4岁确诊，但早期干预需在12~18个月启动，导致确诊前婴幼儿行为/影像数据极度缺乏。此外，婴幼儿MRI/fMRI需镇静处理，家长接受度低。更重要的是，婴幼儿症状更细微（如眼神短暂偏离vs完全回避），需多专家共识标注，成本极高。目前的应对策略有迁移学习策略包括跨年龄域适应^［62］，跨模态迁移（行为→互动成像互补）^［63］，合成数据增强等^［64］。这些研究共同揭示了生成模型在ASD诊断中的潜力，但也面临挑战：多数依赖公共数据集（如ABIDE），样本量和多样性不足；模型可解释性有限，需结合生物标志物验证；临床落地仍需解决跨中心数据异质性和计算复杂性等问题。

9.2 算法可解释性

       这涉及到临床与科学的双重认可度。其中比较关心的是所谓的“黑箱模型的临床阻力”。黑箱是指输入数据与输出结果之间的内部逻辑缺乏透明性，导致解释性与可追溯性困难。在ASD的早期诊断中，尽管深度学习模型（如CNN、Transformer）在准确率上表现优异，但其“黑箱”特性降低医生对其结果的可信度，从而影响其决策。其次，临床诊断所常规依赖的“症状-生物标志物-机制”的可解释链条（如DSM-5标准中的社交缺陷+重复行为）的缺失对医生的决策也是一个挑战。目前其解决方法包括动态注意力可视化、符号化规则生成、因果推理融合、临床-计算联合验证。

10 结 论

       当前，AI在ASD早期诊断中已通过多模态数据（如眼动追踪、语音特征、脑成像）结合深度学习方法（如跨模态注意力机制、图神经网络）实现高危婴幼儿的客观筛查，准确率可达85%~90%，但仍面临小样本数据泛化性不足、临床可解释性弱等挑战。未来发展方向聚焦于轻量化联邦学习框架破解数据孤岛、因果推理增强模型可信度，并结合穿戴式设备动态监测婴幼儿早期行为标志物（如社交凝视异常、刻板动作），推动诊断窗口从2~3岁提前至12月龄前，为超早期干预提供精准决策支持。通过可解释性技术升级，AI从“黑箱预警”进化为“透明诊断助手”；因果推理的引入则架起算法输出与病理机制间的桥梁；而临床-计算协同验证将单点技术突破转化为循证医学证据链。三者协同下，ASD早期诊断系统不仅能够输出风险评分，更能提供可临床操作的决策依据（如优先干预领域）、可科研验证的候选机制（如关键神经环路）、可家庭普及的行为指导（如针对性社交训练）。这一范式变革的最终目标，是建立医生信任、家长理解、科研支撑的ASD早诊生态系统，实现从“概率预测”到“机制驱动”的精准医学跨越。