Artificial Intelligence Methods in Early Detection of Autism Spectrum Disorder: A DSM ‐5 Criterion‐Based Systematic Review
Methoden der künstlichen Intelligenz zur frühen Erkennung von Autismusspektrumstörung: systematische Übersichtsarbeit auf Basis der DSM-5-Kriterien
Autism Research · 2026-07 · 19 (7)
DOI: 10.1002/aur.70279 ↗Auf einen Blick
Die systematische Übersicht untersuchte KI-Methoden zur frühen ASD-Erkennung bei Kindern. Eine direkte Ausrichtung an DSM-5 war mit höherer Genauigkeit verbunden.
Fragestellung
Wie gut eignen sich KI-basierte Methoden zur frühen Erkennung von ASD bei Kindern, und wie sind sie mit DSM-5-Kriterien vereinbar?
Methode
Systematische Übersichtsarbeit nach PRISMA; Suche in 7 Datenbanken von Januar 2015 bis März 2025; 43 Studien eingeschlossen; Bewertung mit QUADAS-2, angepasst für Machine-Learning-Aspekte.
Ergebnisse
43 Studien. Klassisches Machine Learning 34 %, Deep Learning 34 % und hybride Ansätze 32 %. Direkte DSM-5-Anpassung korrelierte mit höherer Genauigkeit; Median etwa 95 %, Gesamtgenauigkeit 68,18 % bis 100 %.
Einschränkungen
57 % unklare Patient:innenauswahl und 43 % unklares Index-Test-Risiko; geografische Schieflage zugunsten von Ländern mit hohem Einkommen.
Schlussfolgerung der Autor:innen
KI zeigt laut Autor:innen Transformationspotenzial für die frühe ASD-Erkennung, besonders bei Defiziten der sozialen Kommunikation. Lücken bei Criterion B und methodische Inkonsistenzen schränken die klinische Anwendbarkeit ein.
Kernaussagen
- 43 Studien zu KI-Verfahren für frühe ASD-Erkennung
- Direkte DSM-5-Ausrichtung: höhere Genauigkeit, Median etwa 95 %
- Häufige methodische Unklarheiten und Lücken bei Criterion B
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Systematische Übersicht in der Zeitschrift Autism Research, online erschienen am 01.06.2026. Verfasst von Mohamed Ali Zoromba und 1 weiteren Autor:innen. Beteiligte Einrichtung: College of Nursing, Prince Sattam bin Abdulaziz University, Al-Kharj, Saudi Arabia. Hauptthemen laut MEDLINE: Autism Spectrum Disorder, Artificial Intelligence. Die Arbeit wurde bisher 2-mal zitiert (Crossref) und nennt 83 Literaturangaben. Der Volltext ist frei in PubMed Central verfügbar. Gefördert von: Prince Sattam bin Abdulaziz University.
Abstract (Originalsprache)
Can Artificial Intelligence (AI) revolutionize early detection of Autism Spectrum Disorder (ASD) by offering a more objective alternative to the subjective behavioral assessments? This systematic review evaluates AI‐based methods for early ASD detection in children, assessing the distribution, performance, and DSM‐5 alignment of AI techniques, and the methodological quality of existing studies. Following PRISMA guidelines, seven databases (PubMed, Web of Science, Scopus, IEEE Xplore, PsycNET, CINAHL, and Cochrane Library) were searched from January 2015 to March 2025; no backward or forward citation tracking was conducted. Studies were included if they focused on pediatric populations (ages 0–18) with clinically diagnosed ASD, employed AI detection/classification methods, utilized observable behavioral data, and reported diagnostic performance metrics. Studies using exclusively neurobiological data, adult populations, non‐English publications, or lacking clear diagnostic reference standards were excluded. Two reviewers independently screened 1018 records; 43 met inclusion criteria. Methodological quality was assessed using QUADAS‐2, adapted for machine learning considerations. Classical Machine Learning (34%), Deep Learning (34%), and Hybrid approaches (32%) were equally prevalent. Convolutional Neural Networks and Support Vector Machines dominated for unstructured and structured data, respectively. Most studies (74%) targeted both DSM‐5 Criteria A and B; 23% focused solely on Criterion A. Direct DSM‐5 alignment correlated with higher accuracy (median ~95%); overall accuracy ranged from 68.18% to 100%. Methodological concerns included 57% unclear patient selection and 43% unclear index test risk. AI demonstrates transformative potential for early ASD detection, particularly for social communication deficits. Gaps in Criterion B coverage, geographic skew toward high‐income settings, and methodological inconsistencies limit clinical applicability. Future work should prioritize standardized protocols, multimodal integration, and diverse external validation. Trial Registration: PROSPERO registration ID: CRD420250656126
Schlagwörter
MeSH-Schlagwörter (MEDLINE)
Stichwörter der Autor:innen
Autor:innen und Institutionen
- College of Nursing, Prince Sattam bin Abdulaziz University, Al-Kharj, Saudi Arabia.
- College of Nursing, Imam Mohammad Ibn Saud Islamic University (IMSIU), Riyadah, Saudi Arabia.
ORCID-Profile: Mohamed Ali Zoromba, Heba Emad El-Gazar
Förderung
- Prince Sattam bin Abdulaziz University
Zitieren
APA
Zoromba, M. A., & El-Gazar, H. E. (2026). Artificial Intelligence Methods in Early Detection of Autism Spectrum Disorder: A DSM ‐5 Criterion‐Based Systematic Review. Autism Research, 19(7). https://doi.org/10.1002/aur.70279
Vancouver
Zoromba MA, El-Gazar HE. Artificial Intelligence Methods in Early Detection of Autism Spectrum Disorder: A DSM ‐5 Criterion‐Based Systematic Review. Autism Research. 2026;19(7). doi:10.1002/aur.70279
BibTeX
@article{Zoromba2026,
author = {Zoromba, Mohamed Ali and El-Gazar, Heba Emad},
title = {Artificial Intelligence Methods in Early Detection of Autism Spectrum Disorder: A DSM ‐5 Criterion‐Based Systematic Review},
journal = {Autism Research},
year = {2026},
volume = {19},
number = {7},
doi = {10.1002/aur.70279}
}
EUVIMED