17岁高中生造出AI眼底筛查工具：89%准确率识别自闭症与多动症，颠覆神经发育障碍诊断逻辑

日期：2026-07-09 18:48:07 / 人气：30

一项看似违背常识的医疗突破，出自一名普通高中生之手。

在美国最权威的高中生科创赛事2026年再生元科学天才奖（Regeneron STS）中，17岁的新泽西高中生爱德华·康（Edward Kang）凭借一款名为RetinaMind的AI工具斩获二等奖，拿下17.5万美元（约110万人民币）奖金。这款工具仅通过一张眼底视网膜照片，就能筛查、区分自闭症（ASD）与多动症（ADHD），综合准确率达89%，为长期陷入困境的神经发育障碍早期诊断，打开了全新突破口。

更难得的是，这项成果并非简单的模型复刻，而是实现了行业性突破：跳出了“区分患病与健康人群”的简单赛道，攻克了临床最难的自闭症与多动症差异化识别难题，同时追溯到细胞与基因层面，初步解开了视网膜特征与大脑神经发育的深层关联。

01 从一篇论文出发，改写行业研究逻辑

三年前，毫无编程和机器学习基础的爱德华·康，为完成学校项目查阅文献时，留意到香港中文大学团队的一项开创性研究：依托视网膜图像，可实现自闭症的智能识别。港中大2021年研发的ARIA技术，更是将自闭症识别准确率做到了95.7%。

“用眼睛，读懂大脑的异常，这件事听起来不可思议，甚至反直觉。”爱德华由此萌生想法，在现有研究基础上做更深层、更贴合临床的突破。

他很快发现了当下相关研究的核心短板：绝大多数AI模型，仅能简单区分“自闭症患者与正常发育人群”，而这一赛道的准确率早已接近100%，几乎没有优化空间。但临床真正的痛点、真正稀缺的技术能力，是区分症状高度重叠的自闭症与多动症。

在美国，自闭症影响每54名儿童中的1人，是增速最快的神经发育障碍；多动症更是覆盖近700万儿童。两种疾病同属神经发育类病症，存在极高的共病率、症状重叠度，传统行为评估极易误判、漏判，且诊断周期漫长，很多家庭需要等待数月甚至数年才能拿到明确结果，直接错过儿童干预黄金期。

瞄准这一临床空白，零基础的爱德华开始自学代码、机器学习与深度学习理论，从零搭建属于自己的AI筛查体系，最终打造出RetinaMind智能诊断工具。

02 硬核技术架构：不止精准识别，更破解AI“黑箱”

不同于市面单一模型的简易算法，RetinaMind搭建了一套兼顾准确率、稳定性与可解释性的完整技术体系，核心能力远超传统研究模型。

模型核心依托卷积神经网络（CNN）架构，专门适配图像识别任务，可对视网膜影像进行全域特征提取，最终输出三类概率结果：典型发育、自闭症、多动症，系统自动选取置信度最高的结果作为最终判定，量化、直观、可追溯。

为解决单一模型预测偏差、稳定性不足的问题，爱德华引入集成学习技术，让多个独立模型对同一张眼底图像进行同步预测，通过“多模型投票、结果取均值”的方式，大幅降低误判概率，让筛查结果更稳健、更贴合临床需求。

针对AI模型普遍存在的“黑箱难题”，他创新性运用Grad-CAM梯度加权类激活映射技术，生成可视化热力图，精准标注模型判断时重点参考的视网膜区域，让AI的判断逻辑不再模糊，大幅提升了技术的科学性与可信度。

赛事主办方科学协会（Society for Science）首席执行官Maya Ajmera直言，这是项目脱颖而出的核心原因：“爱德华没有只做算力堆叠，而是将AI计算与细胞生物学深度结合，让成果既有算法的严谨性，又有生物机制的深度，真正落地解决真实医疗痛点。”

03 科学底层：视网膜为何能成为大脑的“检测窗口”

RetinaMind的成立，依托一套扎实的人体发育学原理：视网膜与视神经在胚胎发育阶段，是间脑的直接延伸，本质属于中枢神经系统的一部分。这意味着，大脑神经发育的细微异常，会同步映射在视网膜结构中，留下可量化、可识别的生理痕迹。

借助光学相干断层扫描（OCT）技术，过往研究已证实：自闭症、多动症人群的视网膜，在黄斑结构、视网膜神经纤维层的厚度、长度、深度等核心指标上，与正常发育人群存在显著统计学差异。

但长期以来，这套特征无法用于临床诊断，核心卡在两大瓶颈。第一，差异极其细微，且与普通人的个体差异高度重叠，资深眼科医生仅凭肉眼、常规影像，完全无法区分；第二，视网膜异常并非自闭症、多动症独有，广泛神经系统病变都可能引发同类变化，特异性不足。

而RetinaMind的核心价值，正是依托AI超强的细微特征捕捉能力，整合人眼无法识别的微弱、复杂视网膜信号，实现高效筛查。为追溯底层机制，爱德华进一步搭建体外视网膜细胞模型，筛选出12个同时关联自闭症发病与视网膜发育的候选基因，其中ABCA4基因成为关键突破点。

研究发现，ABCA4基因负责编码视网膜代谢废物的清除蛋白，在自闭症细胞模型中，该基因的表达水平显著低于正常对照组。这意味着，自闭症患者或存在视网膜代谢毒素堆积、组织退化的潜在问题，这也为视网膜结构异常提供了基因层面的合理解释。

不过爱德华也明确表示，这一结论仍处于探索阶段：相关数据来自体外细胞模型，而非临床患者样本；ABCA4基因已知主要关联遗传性黄斑营养不良疾病，与自闭症的直接关联，暂无充足公开文献佐证，仅为潜在机制假设。

04 清醒认知：89%准确率，距离临床落地还有三道鸿沟

亮眼的89%准确率、百万级科创大奖，让RetinaMind迅速出圈，但业内专家与开发者本人，均保持着高度理性：目前的成果是优秀的科研探索，绝非可落地的临床诊断工具，距离普及应用，仍有三道无法绕过的门槛。

首先，准确率数据存在场景局限性。89%是模型测试集的实验数据，并非真实临床诊断准确率。目前全球自闭症、多动症诊断，仍以发育历程评估、行为量表观测（ADOS、Conners量表）为核心标准，需要综合患者行为表现、功能受损程度、成长轨迹多维度判断。RetinaMind未来即便落地，也仅能作为早期风险筛查工具，无法替代临床最终诊断。

其次，模型泛化能力未经验证。当前训练数据的人口结构、年龄分布、共病情况、样本规模均未公开，无法确定这套模型能否适配不同种族、不同年龄、不同身体状况的广泛人群，真实场景下的准确率仍存未知。

最后，行业底层难题尚未突破。截至目前，全球医学界尚未发现自闭症、多动症的公认特异性生物标志物。在此之前，业内已尝试眼动追踪、脑电图、血液检测、肠道菌群等各类筛查方案，均因特异性不足、准确率不稳定，无法成为确诊依据。视网膜筛查赛道，同样面临这一核心困境。

约翰斯·霍普金斯医学院神经发育儿科专家Paul Lipkin特别提醒：视网膜观测到的结构差异，大概率反映的是广泛性神经系统异常，并非自闭症与多动症的专属特征，极易出现误判。2025年一项涵盖10项研究、816名样本的系统综述也证实，多数视网膜指标无法有效区分神经发育障碍，仅局部神经纤维层存在细微差异。

05 下一步进化：从有无筛查，到轻重分级

尽管存在诸多局限，RetinaMind依然具备极高的行业价值。当下神经发育障碍诊断高度依赖人工经验，存在主观性强、周期长、门槛高、易漏诊误诊的痛点，大量患儿因此错过早期干预黄金期。

爱德华已明确后续迭代方向：不再局限于“区分健康、自闭症、多动症”三类结果，将进一步训练模型，实现轻度、中度、重度自闭症的精准分级筛查。

“模型输出的结果越精准、越细分，就越能指导临床干预，帮助每个孩子获得适配的支持方案。”在他看来，工具的终极价值，不是替代医生，而是补齐医疗资源短板，让更多隐匿的神经发育差异，被更早、更准确地看见。

结语：技术微光，照亮小众群体的希望

从无编程基础的高中生，到攻克医疗前沿难题、拿下顶级科创大奖，爱德华的探索，不仅是个人科创能力的突破，更为整个神经发育障碍诊疗行业提供了全新思路：用客观、可量化的生理影像，补充主观的行为评估。

RetinaMind暂时无法颠覆现有诊断体系，却打破了“无生物标志物、无客观筛查工具”的行业僵局。在疾病污名化、诊断滞后、资源不均的当下，每一次技术探索、每一点准确率的提升，都是在为千万特殊儿童家庭，争取更早的干预机会、更公平的理解与更广阔的未来。

作者：杏悦2娱乐