美国科研人员利用人工智能算法对188名3至9个月大的婴儿的大脑图像进行分析，发现了其中的自闭症征兆。
美国波士顿的科学家们使用“低成本、非侵入式”脑电图(EEGs)开发了一种解读脑电图数据的算法，能在脑电图信号中寻找模式，并利用这些模式进行预测或排除一个婴儿患有自闭症谱系障碍的可能性。在一个由188名婴儿组成的样本案例中，该算法对9个月大的婴儿预测自闭症谱系障碍(ASD)的准确率几乎达到100%。该算法还被用来预测该疾病的严重程度。
由于自闭症谱系障碍的复杂性，任何年龄段的自闭症诊断都相当困难。通常情况下，在婴儿两岁左右，症状就会显现出来，而这个年龄段对孩子的社交和沟通起着重要作用。为此，波士顿儿童医院、波士顿大学和旧金山大学的认知神经科学实验室的医生和计算科学家们研究了来自婴儿兄弟姐妹项目的数据，该项目现在被称为婴儿筛查项目。
该项目是波士顿儿童医院和波士顿大学之间的合作项目，目的是规划早期发展，并鉴别那些有自闭症和/或语言和沟通障碍风险的婴儿。为了研究这些数据，旧金山大学的健康信息学和临床心理学副教授William Bosl博士在过去的十年里一直致力于对脑电图信号进行解读。Bosl的研究表明，即使是出现“正常”的脑电图，也包含了“深层”数据，这些数据揭示了大脑功能、连接模式和结构的秘密，而这是人类医生所不能看到的。
在婴儿筛查项目中，Bosl博士从99名被认为患有自闭症高风险的婴儿中获取他们的脑电图数据，这些婴儿的哥哥或姐姐已经有了自闭症诊断，此外，数据来源还有89个低风险儿童，他们的兄弟姐妹没有受该疾病影响。当婴儿3、6、9、12、18、24和36个月大时，婴儿坐在妈妈的大腿上，头皮上被安装一个内置128个传感器的网，以此获取他们的脑电图数据。所有婴儿都接受了自闭症诊断观察计划(ADOS)的行为评估。
Bosl的算法分析了脑电图的6种频率（高γ波、γ波、β波、α波、θ波、δ波），以测量每个婴儿大脑连接方式和处理信息方式的的差异。在95%以上的病例中，该算法预测自闭症的临床诊断为“高特异性、敏感性和阳性预测值”。Bosl称这样的结果“令人震惊”。
婴儿在3个月到9个月大时，预测准确率几乎为100%，而且研究小组还能够预测自闭症的严重程度，就像用自闭症诊断观察量表（ADOS）的校准严重程度评分来表示，婴儿在9个月大的时候该预测也有“相当高的可靠性”。
波士顿儿童医院认知神经科学实验室主任、这项研究的作者之一Charles Nelson博士称，脑电图是一种低成本、非侵入式、相对容易的用于婴儿健康检查的方法。它在预测孩子是否会患上自闭症上的可靠性提高了尽早（在明显的行为症状出现之前）干预的可能性。这可能会带来更好的结果，甚至可能会阻止一些与自闭症相关的行为。
Bosl认为，在大脑活动的多个方面，脑电图信号复杂性存在早期差异，这与自闭症是在大脑早期发育过程中开始的一种障碍，但它可以采取不同的途径呈现的观点相符合。这项研究已发表在《科学报告》杂志上。