17 岁高中生用 AI 看「眼底照片」筛查自闭症，准确率 89%，还拿了 110 万奖金？

一句话看懂：美国新泽西一名17岁高中生爱德华·康开发了名为 RetinaMind 的 AI 模型，通过分析眼底照片区分自闭症和多动症（ADHD），在测试集上达到 89% 的准确率，并因此获得 110 万元奖金。该研究并非独立从零突破，而是基于香港中文大学早前视网膜识别自闭症的技术思路，但将目标从“区分自闭症与正常发育”推进到临床更棘手的“区分自闭症与ADHD”。

事件核心：发生了什么

无编程背景的高中生爱德华自学机器学习，构建了基于卷积神经网络（CNN）的 RetinaMind 模型。该模型利用 Grad-CAM 生成热力图解释判断依据，并通过集成学习提升稳定性。在分类任务中，模型能输出受测者属于典型发育、自闭症或 ADHD 的概率，当前在测试集上的总体分类准确率为 89%。该项目在 2026 年 Regeneron 科学人才搜索中获奖，奖金 11 万美元（约合人民币 110 万元）。评审委员会评价其“兼具计算严谨性与生物学深度”。爱德华还从基因层面寻找线索，在体外细胞模型中筛选出 ABCA4 等候选基因，但目前该结论仅停留在假设阶段，尚未获临床验证。

为什么重要

自闭症和 ADHD 在症状上高度重叠，现有行为评估量表耗时且依赖专业医生，导致大量家庭面临漫长的等待和误判风险。RetinaMind 尝试通过客观的眼底成像数据辅助筛查，直击“难区分、晚识别”这一临床痛点。不过，这一方向仍有实质性争议：2025 年发表的系统综述显示，自闭症患者仅局部视网膜增厚存在统计差异，且差异与正常人群个体差异高度重叠。视网膜能否成为可靠的生物标志物尚无定论，本项目的基因关联探索也仅为初步推测。目前公开信息显示，该模型尚未进入真实临床验证阶段，距离取代行为诊断仍有很大距离。

对用户/开发者/创作者的影响

对家长与自闭症家庭：该工具短期无法改变现实，甚至不能提供任何可用产品。即使未来落地，大概率仅作为“风险提示”辅助工具，最终诊断仍需依赖发育评估和行为观察，不要期待马上可用。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

对 AI 开发者和研究人员：该项目展示了低资源条件下复现并改进前沿医学 AI 的可能性：用公开的卷积神经网络架构+开源热力图方法，即可对医学影像完成分类任务。开发者若想跟进，应重点关注训练数据的多样性、样本规模和泛化性，RetinaMind 目前未公开人口构成与共病情况。

对内容创作者和科普作者：应警惕“89%准确率=诊断工具”的误导传播，向受众明确区分“测试集表现”与“临床诊断准确率”的差异，避免夸大给患者家庭不切实际的希望。

值得关注的后续

1. 数据开放与验证：RetinaMind 的训练数据构成与泛化能力是最大未知数，若爱德华团队后续公开发布数据集或在更大多样本上进行外部验证，才可评估模型的真实临床价值。2. 分级分类方向：爱德华计划进一步训练模型区分自闭症的轻中重度，若能实现，将对后续干预指导有直接帮助。3. 竞争格局：眼动追踪、脑电图、血液指标等早筛路线此前都曾报告高准确率但未成为确诊标准，视网膜路径能否走得更远取决于跨团队独立复现结果。

来源：Readhub · AI