Obecnie diagnozowanie zaburzeń ze spektrum autyzmu u najmłodszych dzieci opiera się na testach psychologicznych i wywiadach lekarskich. Mają one wysoką dokładność, jednak trwają długo i wymagają kilku spotkań ze specjalistą, przez co są kosztowne.

Naukowcy z Human-Tech Institute na Politechnice w Walencji opracowali oparty na metodach głębokiego uczenia model, który oferuje porównywalną, a w niektórych kontekstach nawet wyższą skuteczność, przy jednoczesnym braku konieczności ciągłej obecności specjalisty. Jego główną zaletą jest możliwość autonomicznej analizy danych motorycznych w sposób szybki i bardzo powtarzalny.

Choć nie może samodzielnie zastąpić diagnozy klinicznej, w opinii naukowców może stanowić jej istotne wsparcie, zwłaszcza w zastosowaniach przesiewowych i w warunkach ograniczonego dostępu do specjalistów.

Nowe rozwiązanie nie wymaga skomplikowanej infrastruktury - wystarczy duży ekran i kamera, śledząca ruchy dzieci wykonujących różnorodne zadania w środowisku wirtualnej rzeczywistości. Jak podkreślają naukowcy, technologia VR umożliwia odwzorowanie naturalnych warunków codziennego funkcjonowania dzieci, przez co pozwala uzyskać bardziej autentyczne reakcje niż w przypadku klasycznych testów laboratoryjnych.

Zebrane dane są następnie automatycznie przetwarzane przez model sztucznej inteligencji, który na ich podstawie ocenia, czy zachowanie dziecka może wskazywać na objawy zaburzeń ze spektrum autyzmu. W odróżnieniu od klasycznych metod, które opierają się na analizie wcześniej określonych parametrów, takich jak czas reakcji czy zakres ruchu, nowy model samodzielnie uczy się, na co zwracać uwagę. Dzięki temu jest bardziej elastyczny i lepiej radzi sobie w różnych sytuacjach i zadaniach ruchowych.

Zdaniem autorów systemu, taka metoda pozwala ustandaryzować wykrywanie autyzmu, jednocześnie obniżając koszty i ułatwiając dostęp do diagnozy. Uważają, że dzięki bardzo prostej technologii możliwe będzie zastosowanie jej w wielu ośrodkach wczesnej interwencji.

Podkreślają też, że system - poza wysoką trafnością diagnoz - wykazuje dużą odporność na zmienność danych i potrafi uogólniać wyniki na inne konteksty. To oznacza, że może być z powodzeniem stosowany w różnych środowiskach i przy różnych typach aktywności dzieci.

Artykuł na ten temat ukazał się w czasopiśmie „Expert Systems with Applications”.

Katarzyna Czechowicz (PAP)

kap/ bar/