Nouvelle méthode pour la détection précoce de l'autisme

Le trouble du spectre autistique (TSA) regroupe différentes conditions neurobiologiques qui touchent la communication sociale et le comportement. Les enfants avec un TSA ont souvent du mal avec les compétences sociales et peuvent répéter des actions. Diagnostiquer ce trouble est super important, mais ça peut être compliqué et long pour les pros de la santé. Les méthodes traditionnelles reposent sur des évaluations approfondies pendant des sessions interactives, où des pros formés observent les Comportements d'un enfant à travers des tâches verbales et non verbales. Mais ces évaluations peuvent varier selon la personne qui les fait, et les diagnostics précis se font souvent quand l'enfant a plus de cinq ans, ce qui peut être trop tard pour intervenir.

Des recherches ont montré que la Détection précoce et l'intervention continue peuvent améliorer les résultats pour les enfants avec un TSA. Des biomarqueurs comme des mouvements inhabituels, des expressions faciales et des schémas de gestes peuvent aider à détecter l'Autisme tôt. Beaucoup d'enfants avec un TSA montrent des marqueurs de comportement spécifiques, comme des mouvements répétitifs ou des réactions émotionnelles uniques. La demande pour des méthodes efficaces de reconnaissance de ces comportements augmente pour aider les cliniciens à faire des évaluations précises.

Récemment, des chercheurs ont examiné différentes techniques pour détecter l'autisme, en se concentrant sur les gestes, les expressions faciales et les mouvements des yeux. Bien que ces approches isolées donnent des infos, elles passent souvent à côté d'autres comportements importants liés à l'autisme, comme les difficultés d'interaction sociale et les schémas de mouvement uniques. Au lieu de se fier à une seule méthode, il est utile de combiner différents marqueurs comportementaux pour avoir une vision plus claire de l'autisme chez les enfants.

L'objectif principal de ce travail est de développer une méthode basée sur la vidéo qui peut évaluer automatiquement la gravité de l'autisme en analysant de longues Vidéos d'enfants. En utilisant l'apprentissage faiblement supervisé, cette méthode peut identifier des comportements typiques et atypiques liés à l'autisme sans avoir besoin que chaque image soit précisément étiquetée. Le système proposé se concentre sur l'apprentissage à partir de séquences vidéo non montées, ce qui le rend plus accessible et efficace.

La méthode utilise un réseau peu profond conçu pour classer différents scores de gravité basés sur des protocoles d'évaluation de l'autisme établis. Pour évaluer cette approche, de vraies vidéos d'enfants diagnostiqués avec autisme sont collectées et analysées. Les résultats de cette recherche montrent que des schémas de comportement peuvent aider efficacement à identifier des enfants avec autisme, ce qui peut améliorer le diagnostic et le traitement précoces. L'accent est mis sur des actions qui peuvent simplifier les évaluations, en particulier pour les enfants avec des compétences verbales limitées.

#Aperçu des pratiques actuelles

Traditionnellement, l'autisme est diagnostiqué lors de sessions interactives où des pros formés observent et évaluent des comportements spécifiques d'un enfant. Ce processus dépend souvent de l'expertise personnelle et des outils disponibles pour évaluer les comportements avec précision. Cependant, évaluer ces comportements peut être un processus subjectif, entraînant des incohérences dans les évaluations. De plus, des évaluations longues peuvent entraver un traitement rapide et efficace pour les enfants.

Les stratégies existantes pour l'évaluation de l'autisme se sont souvent concentrées sur un type de comportement, que ce soit l'analyse vidéo des expressions faciales ou l'étude des gestes. Bien que ces méthodes fournissent des informations précieuses, elles ne capturent pas tout le spectre de comportements qui jouent un rôle crucial dans l'évaluation de l'autisme. Le défi réside dans la reconnaissance d'une large gamme de comportements, y compris les échanges émotionnels, les interactions sociales et les actions répétitives.

#Méthodologie proposée

Dans cette étude, nous proposons une approche d'apprentissage faiblement supervisé pour évaluer la gravité de l'autisme à travers l'analyse de longues vidéos. La méthode examine les caractéristiques spatio-temporelles, qui sont les propriétés spatiales et temporelles des mouvements, pour comprendre et catégoriser les comportements typiques et atypiques chez les enfants.

Notre approche implique la création d'un réseau faiblement supervisé capable de détecter des marqueurs comportementaux distinctifs dans les vidéos. Le système proposé se compose de trois composants principaux : un encodeur visuel, un détecteur d'autisme faiblement supervisé et un régresseur de score de gravité. Ces composants fonctionnent ensemble pour recueillir des informations des vidéos et catégoriser les comportements liés à l'autisme.

L'encodeur visuel extrait des caractéristiques essentielles de chaque segment vidéo, permettant la détection de comportements typiques et atypiques. Le détecteur d'autisme faiblement supervisé traite ces caractéristiques, apprenant à partir de groupes de vidéos pour classer les comportements comme typiques ou atypiques sans besoin de labellisation détaillée. Enfin, le régresseur de score de gravité attribue un niveau de gravité de l'autisme en fonction des comportements observés.

#Collecte de données

Pour entraîner et évaluer la méthode, nous avons utilisé de vraies vidéos d'évaluation enregistrées lors d'évaluations cliniques d'enfants. Ces vidéos englobent une variété d'activités conçues pour évaluer les compétences sociales et les schémas de comportement, comme jouer à des jeux, montrer des actions et faire des activités communes avec d'autres enfants. Chaque vidéo d'enfant est évaluée selon son score de gravité individuel, fournissant un ensemble de données complet pour l'entraînement du modèle proposé.

Plus de 132 heures de données vidéo sont collectées, chaque enfant étant évalué à travers différentes activités adaptées à leur comportement unique. L'ensemble de données est soigneusement structuré pour assurer une représentation équilibrée des différents niveaux de gravité, avec un total de 75 vidéos uniques divisées en ensembles d'entraînement et de test.

#Détails de l'implémentation

L'extraction de caractéristiques est une étape critique dans la méthodologie proposée. Le modèle détecte et suit les mouvements des enfants dans les vidéos, extrayant les caractéristiques pertinentes des images vidéo. Nous appliquons des techniques d'analyse vidéo robustes pour résumer les caractéristiques essentielles du comportement de chaque enfant.

Pendant l'entraînement, nous utilisons les caractéristiques extraites pour construire un classificateur binaire, distinguant entre les comportements typiques et atypiques. L'entraînement est effectué en utilisant des techniques d'optimisation avancées pour garantir que le modèle apprend efficacement à partir des données vidéo.

Le composant de régression du score de gravité utilise les caractéristiques apprises lors des étapes précédentes pour attribuer des scores de gravité basés sur le protocole d'évaluation de l'autisme. En intégrant les résultats de plusieurs composants, le modèle final vise à fournir une évaluation complète des caractéristiques comportementales de chaque enfant.

#Résultats et évaluation

Les résultats préliminaires démontrent l'efficacité de la méthode proposée dans l'évaluation de la gravité de l'autisme à travers l'analyse de longues vidéos. Le modèle identifie avec succès divers marqueurs comportementaux, permettant une évaluation plus précise de l'autisme chez les enfants.

Les résultats des évaluations indiquent que le modèle fonctionne bien pour distinguer les différents niveaux de gravité. Notamment, il montre une meilleure précision dans la reconnaissance des niveaux modérés et élevés d'autisme par rapport aux cas les plus légers. Cette distinction est essentielle car elle peut aider les cliniciens à mieux comprendre les besoins de chaque enfant et à adapter les interventions en conséquence.

#Conclusion et perspectives d'avenir

Notre méthode proposée offre une nouvelle approche pour évaluer la gravité de l'autisme grâce à l'analyse vidéo, fournissant un outil fiable pour les cliniciens. En tirant parti de la puissance de l'apprentissage faiblement supervisé, cette méthode simplifie le processus d'évaluation pour les enfants avec des compétences de communication limitées.

Au fur et à mesure que nous améliorons cette approche, les travaux futurs se concentreront sur l'expansion de l'ensemble de données, l'incorporation de comportements plus divers et l'augmentation de la précision du modèle dans l'identification de marqueurs subtils de l'autisme. En fin de compte, cette recherche vise à améliorer les efforts d'intervention précoce et à fournir un soutien aux enfants et aux familles touchés par l'autisme.