综述指出：融合行为、遗传、影像等多模态数据的AI与GAN增强方法有望提升自闭症谱系障碍筛查，但受限于数据不足、类别不平衡与外部临床验证缺乏
核心概要
这篇综述系统梳理了基于人工智能、机器学习、深度学习和生成对抗网络（GAN）的自闭症谱系障碍（ASD）筛查研究，重点考察行为、遗传、环境、神经影像、生理与临床等多模态数据的融合方式以及GAN在合成数据生成与数据增强中的作用，并指出多模态AI相比单模态方法可能更全面地刻画ASD相关特征，但仍面临数据集有限且异质、类别不平衡、多模态整合困难、GAN训练不稳定、合成数据质量、隐私安全、可解释性、泛化性与外部临床验证不足等挑战。
深度剖析
综述将ASD筛查的AI研究按数据模态组织为行为、遗传、环境、神经影像、生理与临床六类，并讨论了跨模态信息组合的方法。 相对以往聚焦单一模态或单一算法的梳理，这里把异质数据源与多模态融合策略放在同一框架下对照。 属于叙述性综述的证据整合，原文以摘要形式给出模态清单与融合策略的讨论范围，未提供各研究的样本量或效应量。
综述专门考察了GAN及相关生成方法在合成数据生成与数据增强中的角色，用于应对数据集有限和类别不平衡。 把生成模型从通用数据增强手段提升为ASD筛查数据瓶颈的针对性方案来讨论。 基于对已有文献的归纳，原文同时列出GAN训练不稳定与合成数据质量作为待解问题，说明该方向的证据尚不统一。
综述汇总了多模态融合策略、多输入神经网络与新兴深度学习方法在ASD筛查中的应用。 将架构层面的多输入设计与数据层面的多模态整合联系起来，而非孤立讨论模型结构。 为综述性归纳，原文未给出具体模型的性能数值或对比表格。
综述明确列出该领域的主要挑战：数据集有限且异质、类别不平衡、多模态数据整合、GAN训练不稳定、合成数据质量、隐私与安全、模型可解释性、泛化性以及外部临床验证有限。 把上述问题集中呈现为研究议程，并指向可靠、可解释、隐私保护且经临床验证的多模态ASD筛查系统。 挑战清单来自对已审文献的总结，原文以定性方式陈述，未提供量化元分析。
启示与展望
该综述面向关注ASD筛查的研究者、算法开发者与临床合作方，适用于需要梳理多模态数据来源、融合策略与生成式数据增强选项的场景，尤其是当行为、遗传、环境、神经影像、生理与临床数据需要被组合使用时。它也为希望把可靠、可解释、隐私保护且经临床验证作为设计目标的研究方向提供参照。
由于本次读取范围不完整，仅有摘要可用，无法核对综述所引用的具体研究、数据集规模、模型性能与对比结果，因此上述归纳停留在范围与主题层面。读者仍需关注：多模态融合在真实临床流程中的增益是否稳定、GAN合成数据是否引入偏倚、以及外部临床验证如何开展，这些在原文中被列为待解问题而非已定结论。