Autism classification from public rendered skeleton videos: a participant-level comparative study
تقيم هذه الدراسة بنية ChromaPose-MIL لتصنيف التوحد باستخدام فيديوهات الهيكل العظمي العامة لـ 160 طفلاً، حيث وجدت أنه على الرغم من أن النموذج ممكن حوسبياً ويحقق أداءً متواضعاً (AUC 0.605)، إلا أن قيود المجموعات الصغيرة من المشاركين والحاجة إلى تكرار مستقل تمنع استخدامه الحالي في الفحص السريري.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلف ولم يصادق عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
يُعد اضطراب طيف التوحد حالة نمائية معقدة تؤثر على كيفية تواصل الأشخاص وتفاعلهم وتجربتهم للعالم. ولأن التحديد المبكر يمكن أن يؤدي إلى دعم وخدمات أفضل، سعى الباحثون منذ فترة طويلة لإيجال طرق لرصد علامات التوحد بشكل أسرع وأكثر دقة. ويتضمن أحد المسارات الواعدة مراقبة كيفية حركة الأطفال. وبينما قد يجد المراقب البشري صعوبة في ملاحظة الأنماط الدقيقة في إيماءات الطفل أو وضعية جسده، يمكن للكمبيوتر تحليل آلاف الإطارات من الفيديو للعثور على اختلافات متسقة في الحركة. ومع ذلك، فإن استخدام الفيديو الحقيقي لهذا الغرض يثير مخاوف جدية تتعلق بالخصوصية، لأنه يلتقط الوجوه والميزات التي يمكن تحديد الهوية من خلالها. ولحل هذه المشكلة، طور العلماء طريقة لتحويل الفيديو إلى رسومات بسيطة لصور هيكلية ملونة، تُعرف باسم "رندرة الهياكل العظمية" (skeleton renderings). وتعمل هذه الصور على تجريد هوية الطفل مع الحفاظ على بيانات الحركة، مما يسمح للباحثين بدراسة أنماط الحركة دون المساس بالخصوصية. ومع ذلك، يظل التحدي قائماً في بناء نظام كمبيوتر يمكنه النظر إلى هذه الهياكل العظمية المتحركة والتمييز بين طفل مصاب بالتوحد وطفل ينمو بشكل طبيعي.
تتناول دراسة حديثة أجراها نياز دوستيار من جامعة قندهار هذا التحدي من خلال اختبار برنامج كمبيوتر جديد مصمم لقراءة فيديوهات الهياكل العظمية الملونة هذه. استخدم الباحث مجموعة بيانات عامة تحتوي على تسجيلات لـ 160 طفلاً، نصفهم تم تشخيصهم بالتوحد والنصف الآخر ينمون بشكل طبيعي. لم تكن الفيديوهات لقطات خام، بل كانت النسخ الهيكلية الملونة والمبسطة المذكورة سابقاً. كان الهدف هو معرفة ما إذا كان نوع معين من الذكاء الاصطناعي، والذي يسميه المؤلف "ChromaPose-MIL"، يمكنه تعلم التمييز بين المجموعتين بمجرد مشاهدة كيفية تحرك الهياكل العظمية بمرور الوقت. تم بناء هذا النظام ليكون مدمجاً وفعالاً، وقادراً على العمل على جهاز كمبيوتر شخصي عادي بدلاً من الحاجة إلى أجهزة كمبيوتر فائقة ضخمة ومكلفة. كانت الفكرة الجوهرية هي أنه من خلال تفكيك ألوان الهياكل العظمية إلى قنوات محددة وتتبع كيفية تغيرها، يمكن للكمبيوتر العثور على أدلة خفية في الحركة قد تغيب عن العين البشرية.
قام الباحث بتدريب برنامج الكمبيوتر من الصفر باستخدام هؤلاء الأطفال الـ 160، مع تقسيم البيانات إلى مجموعات مختلفة لضمان أن النظام يتعلم أنماطاً حقيقية بدلاً من مجرد حفظ الإجابات. وعندما اختبر الباحثون النظام النهائي على أطفال لم يسبق له رؤيتهم، كانت النتائج متواضعة. فقد حدد البرنامج المجموعة التي ينتمي إليها الطفل بشكل صحيح بمساحة تحت المنحنى (AUC) بلغت 0.56، وهي نسبة أفضل قليلاً من التخمين العشوائي. ومن حيث مقياس الدقة المعياري المستخدم في الاختبارات الطبية، سجل النظام 0.605، وهو رقم يقل عما هو مطلوب لأداة سريرية موثوقة. كما قارن الباحثون نظامهم الجديد بعدة طرق أبسط، بما في ذلك طريقة تنظر فقط إلى التخطيط الثابت لإطارات الفيديو، وأخرى تستخدم نوعاً مختلفاً ومعروفاً من تحليل الصور. ومن المثير للدهشة أن بعض هذه الطرق الأبسط أو البديلة قدمت أداءً مماثلاً، أو حتى أفضل قليلاً، من النظام الجديد المعقد. وهذا يشير إلى أن الحيل الهندسية المحددة المستخدمة في البرنامج الجديد لم توفر ميزة واضحة على النهج القائم.
لفهم سبب تعثر النظام، أجرى الباحثون سلسلة من التجارب حيث قاموا بإزالة أو تغيير أجزاء مختلفة من البرنامج، مثل الطريقة التي يتعامل بها مع الألوان أو كيفية معالجته للحركة عبر الزمن. ولم تؤدِ أي من هذه التغييرات إلى تحسين النتائج بشكل كبير. كما استكشفت الدراسة ما إذا كان استخدام أدوات رؤية حاسوبية مدربة مسبقاً، والتي عادة ما تكون جيدة جداً في التعرف على الأشياء في الصور، يمكن أن يساعد. وعندما استخدم الباحثون هذه الأدوات لاستخراج الميزات من الفيديوهات ثم طبقوا طريقة إحصائية أبسط، تحسنت الدقة لتصل إلى حوالي 67.5 بالمائة. ومع ذلك، ولأن هذا الاختبار تم بعد الاطلاع على النتائج الأولية واستخدم نفس مجموعة الأطفال، فقد حذر الباحثون من أن هذا التحسن قد لا يصمد في اختبار مستقل جديد. وتشير الدراسة صراحة إلى أنه لا يمكن استخدام النظام بعد في فحص الأطفال المصابين بالتوحد في عيادة الطبيب، لأن الأداء الحالي ليس قوياً بما يكفي ليتم الوثوق به للتشخيص.
تسلط النتائج الضوء على فجوة كبيرة بين ما هو ممكن تقنياً وما هو مفيد حالياً في العالم الحقيقي. يثبت البحث أنه من الممكن تدريب كمبيوتر على تحليل فيديوهات الهياكل العظمية الآمنة للخصوصية على جهاز محلي، ولكنه يظهر أيضاً أن الأساليب الحالية ليست جيدة بما يكفي للتمييز بشكل موثوق بين الأطفال المصابين بالتوحد وغير المصابين به. ويشير المؤلف إلى عدة أسباب لهذا القصور، مثل العدد الصغير من الأطفال في الدراسة وحقيقة أن الفيديوهات تم تبسيطها من شكلها الأصلي، مما قد يكون قد محا تفاصيل الحركة الدقيقة. كما حذروا من أن الكمبيوتر قد يلتقط هيكل الاختبار نفسه أو سلوك الفاحص بدلاً من بصمة الحركة الفريدة للطفل. وقبل أن يمكن اعتبار هذه التكنولوجيا وسيلة للفحص، ستحتاج إلى اختبارها على مجموعات أكبر بكثير من الأطفال وفي بيئات مختلفة لضمان عملها بإنصاف ودقة للجميع. وفي الوقت الحالي، تعمل هذه الدراسة كتقرير دقيق وصادق عن الحالة الراهنة لهذا المجال، حيث توثق كلاً من الإمكانات والقيود المترتبة على استخدام الرؤية الحاسوبية لفهم التوحد من خلال الحركة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.