Nova Método para Detecção Precoce de Autismo

Transtorno do Espectro Autista (TEA) é um conjunto de condições neurobiológicas que afetam a comunicação social e o comportamento. Crianças com TEA geralmente enfrentam dificuldades nas habilidades sociais e podem ter Comportamentos repetitivos. Diagnosticar essa condição é super importante, mas pode ser complicado e demorado para os profissionais de saúde. Os métodos tradicionais dependem de avaliações detalhadas em sessões interativas, onde profissionais treinados observam os comportamentos da criança em tarefas verbais e não verbais. Mas essas avaliações podem variar dependendo de quem as faz, e avaliações precisas costumam acontecer quando a criança já tem mais de cinco anos, o que pode ser tarde demais para intervenção.

Pesquisas mostram que a Detecção precoce e a intervenção contínua podem trazer melhores resultados para crianças com TEA. Biomarcadores como movimentos estranhos, expressões faciais e padrões de gestos podem ajudar a identificar o Autismo cedo. Muitas crianças com TEA mostram comportamentos específicos, como movimentos repetitivos ou reações emocionais únicas. Há uma crescente demanda por métodos eficazes para reconhecer esses comportamentos e ajudar os clínicos a fazer avaliações precisas.

Recentemente, pesquisadores têm explorado diferentes técnicas para detectar autismo, focando em gestos, expressões faciais e movimentos oculares. Embora essas abordagens únicas forneçam insights, muitas vezes esquecem outros comportamentos importantes relacionados ao autismo, como dificuldades na interação social e padrões de movimento únicos. Em vez de depender de um único método, é mais útil combinar diferentes marcadores comportamentais para ter uma imagem mais clara do autismo em crianças.

O principal objetivo deste trabalho é desenvolver um método baseado em vídeo que possa avaliar automaticamente a gravidade do autismo analisando Vídeos longos de crianças. Usando aprendizado fraco-supervisionado, esse método pode identificar comportamentos típicos e atípicos relacionados ao autismo sem precisar que cada quadro seja rotulado com precisão. O sistema proposto se concentra em aprender a partir de filmagens de vídeo não editadas, tornando-o mais acessível e eficiente.

O método utiliza uma rede rasa projetada para categorizar diferentes pontuações de Severidade com base em protocolos estabelecidos de avaliação do autismo. Para avaliar essa abordagem, vídeos reais de crianças diagnosticadas com autismo são coletados e analisados. Os resultados desta pesquisa indicam que padrões de comportamento podem ajudar de forma eficaz a identificar crianças com autismo, melhorando o diagnóstico e o tratamento precoces. O foco está nas ações, o que pode simplificar as avaliações, especialmente para crianças com habilidades verbais limitadas.

#Visão Geral das Práticas Atuais

Tradicionalmente, o autismo é diagnosticado através de sessões interativas onde profissionais treinados observam e avaliam comportamentos específicos da criança. Esse processo muitas vezes depende da experiência pessoal e das ferramentas disponíveis para avaliar os comportamentos com precisão. No entanto, avaliar esses comportamentos pode ser um processo subjetivo, levando a inconsistências nas avaliações. Além disso, avaliações longas podem atrasar o tratamento eficaz e em tempo hábil para as crianças.

As estratégias existentes para avaliação do autismo muitas vezes se concentram em um tipo de comportamento, seja análise de vídeo de expressões faciais ou estudo de gestos. Embora esses métodos forneçam insights valiosos, eles não capturam o espectro mais amplo de comportamentos que desempenham um papel crucial na avaliação do autismo. O desafio está em reconhecer uma ampla variedade de comportamentos, incluindo trocas emocionais, interações sociais e ações repetitivas.

#Metodologia Proposta

Neste estudo, propomos uma abordagem de aprendizado fraco-supervisionado para avaliar a gravidade do autismo através da análise de vídeos longos. O método examina características espaço-temporais, que são as características espaciais e temporais dos movimentos, para entender e categorizar tanto comportamentos típicos quanto atípicos em crianças.

Nossa abordagem envolve a criação de uma rede fraco-supervisionada capaz de detectar marcadores comportamentais distintivos em vídeos. O sistema proposto consiste em três componentes principais: um codificador visual, um detector de autismo fraco-supervisionado e um regressor de pontuação de severidade. Esses componentes trabalham juntos para reunir informações dos vídeos e categorizar comportamentos relacionados ao autismo.

O codificador visual extrai características essenciais de cada segmento de vídeo, permitindo a detecção de comportamentos típicos e atípicos. O detector de autismo fraco-supervisionado processa essas características, aprendendo a partir de grupos de vídeos para classificar comportamentos como típicos ou atípicos sem precisar de rotulagem detalhada. Por fim, o regressor de pontuação de severidade atribui um nível de gravidade do autismo com base nos comportamentos observados.

#Coleta de Dados

Para treinar e avaliar o método, utilizamos vídeos de avaliação reais gravados durante avaliações clínicas de crianças. Esses vídeos abrangem uma variedade de atividades projetadas para avaliar habilidades sociais e padrões de comportamento, como jogar, demonstrar ações e atividades em conjunto com outras crianças. O vídeo de cada criança é avaliado de acordo com sua pontuação de severidade individual, proporcionando um conjunto de dados abrangente para treinar o modelo proposto.

Mais de 132 horas de dados de vídeo são coletadas, com cada criança sendo avaliada através de uma gama de atividades adaptadas para avaliar seus comportamentos únicos. O conjunto de dados é cuidadosamente estruturado para garantir uma representação equilibrada de diferentes níveis de severidade, com um total de 75 vídeos únicos divididos em conjuntos de treino e teste.

#Detalhes da Implementação

A extração de características é um passo crítico na metodologia proposta. O modelo detecta e rastreia os movimentos das crianças dentro dos vídeos, extraindo características relevantes dos quadros de vídeo. Aplicamos técnicas robustas de análise de vídeo para resumir as características essenciais do comportamento de cada criança.

Durante o treinamento, aproveitamos as características extraídas para construir um classificador binário, distinguindo entre comportamentos típicos e atípicos. O treinamento é realizado usando técnicas avançadas de otimização para garantir que o modelo aprenda efetivamente a partir dos dados de vídeo.

O componente de regressão de pontuação de severidade utiliza as características aprendidas nas etapas anteriores para atribuir pontuações de severidade com base no protocolo de avaliação do autismo. Ao integrar saídas de múltiplos componentes, o modelo final visa fornecer uma avaliação abrangente das características comportamentais de cada criança.

#Resultados e Avaliação

Os resultados preliminares demonstram a eficácia do método proposto na avaliação da gravidade do autismo através da análise de vídeos longos. O modelo identifica com sucesso vários marcadores comportamentais, permitindo uma avaliação mais precisa do autismo em crianças.

Os resultados das avaliações indicam que o modelo se sai bem ao distinguir entre diferentes níveis de severidade. Notavelmente, ele mostra maior precisão em reconhecer níveis moderados e altos de autismo em comparação com casos mais leves. Essa distinção é essencial, pois pode ajudar os clínicos a entender melhor as necessidades de cada criança e adaptar as intervenções de forma apropriada.

#Conclusão e Direções Futuras

Nosso método proposto oferece uma abordagem nova para avaliar a gravidade do autismo através da análise de vídeo, fornecendo uma ferramenta confiável para os clínicos. Ao aproveitar o poder do aprendizado fraco-supervisionado, esse método simplifica o processo de avaliação para crianças com habilidades de comunicação limitadas.

À medida que melhoramos essa abordagem, o trabalho futuro se concentrará em expandir o conjunto de dados, incorporando comportamentos mais diversos e aumentando a precisão do modelo na identificação de marcadores sutis de autismo. No final das contas, esta pesquisa visa aprimorar os esforços de intervenção precoce e fornecer suporte para crianças e famílias afetadas pelo autismo.