Computer Vision Methods for Behavioral Phenotyping in Autism Spectrum Disorder: A Systematic Review

Die Autismus-Spektrum-Störung ist ein Zustand, der die Art und Weise beeinflusst, wie Menschen mit anderen in Kontakt treten, kommunizieren und sich bewegen. Da jeder Mensch mit Autismus diese Herausforderungen unterschiedlich erlebt, können sich Ärzte nicht auf eine einzige Checkliste verlassen, um das vollständige Bild zu erfassen. Stattdessen suchen sie nach spezifischen Verhaltensmustern, sogenannten Phänotypen, um festzustellen, wie schwerwiegend die Symptome einer Person sind und um Autismus von anderen Entwicklungsstörungen abzugrenzchen, die ähnlich aussehen könnten. Traditionell erforderte das Finden dieser Muster stundenlange Beobachtungen durch hochqualifizierte Spezialisten, die das Verhalten eines Kindes beobachten und anschließend manuell bewerten. Dieser Prozess ist langsam, teuer und oft durch einen Mangel an Experten verzögert, was dazu führt, dass viele Familien auf die Hilfe warten müssen, die sie benötigen.

Ein neuer Ansatz entsteht an der Schnittstelle von Medizin und Technologie, indem Computer Vision genutzt wird, um Verhalten automatisch zu beobachten und zu messen. Dieses Feld betrachtet Videomaterial nicht nur als eine Aufnahme, sondern als eine Quelle von Daten, die subtile Bewegungen offenbaren können, die dem menschlichen Auge entgehen könnten. Durch die Analyse der Art und Weise, wie sich ein Kind bewegt, wohin es blickt und wie es andere imitiert, können Computer beginnen, genau jene Merkmale zu quantifizieren, die Ärzte für Diagnosen verwenden. Eine aktuelle systematische Übersichtsarbeit von Forschern der Universität Katar untersucht, wie weit diese Technologie bereits fortgeschritten ist, indem sie Dutzende von Studien analysiert, die versuchen, Videodaten zu nutzen, um die Nuancen von Autismus zu verstehen – von der Messung der Symptomschwere bis hin zur Unterscheidung von anderen Störungen.

Die Forscher hinter dieser Übersichtsarbeit setzten sich zum Ziel, die aktuelle Landschaft der bewegungsbasierten Analyse bei Autismus abzubilden. Sie durchsuchten Tausende von wissenschaftlichen Arbeiten, die seit 2010 veröffentlicht wurden, und suchten gezielt nach Studien, die Videodaten zur Bewegungsanalyse verwendeten. Nach einem strengen Auswahlverfahren grenzten sie ihren Fokus auf zweiunddreißig Studien ein, die strengen Kriterien entsprachen. Diese Studien fielen in drei Hauptkategorien: solche, die versuchten, den Schweregrad von Autismus einzustufen, solche, die versuchten, Autismus von anderen Bedingungen wie der Aufmerksamkeitsdefizit-/Hyperaktivitätsstörung (ADHS) zu unterscheiden, und solche, die neue Werkzeuge entwickelten, um Verhalten überhaupt erst zu erfassen. Die Übersicht zeigt ein Feld, das voller Versprechen steckt, aber noch mit einem Mangel an standardisierten Daten kämpft.

Wenn es um die Messung der Schwere geht, ist das Ziel, über eine einfache „Ja oder Nein“-Diagnose hinauszugehen und stat�tdessen zu bestimmen, wie intensiv die Symptome einer Person sind. Dies ist entscheidend, da der Schweregrad bestimmt, welche Art von Therapie ein Kind erhält. Die Übersicht ergab, dass fünfzehn der ausgewählten Studien sich auf diese Aufgabe konzentrierten. Diese Forscher nutzten Computeralgorithmen, um Videos von Kindern bei der Ausführung spezifischer Aktivitäten zu beobachten, wie etwa dem Imitieren eines Roboters, dem Spielen mit einem Ball oder der Teilnahme an einem sozialen Spiel. Die Computer verfolgten die Körperbewegungen, den Blick der Kinder und die Mimik und verglichen diese mit klinischen Scores, die Experten bereits vergeben hatten. Einige dieser Studien erreichten eine hohe Genauigkeit, wobei ein Modell den Schweregrad in fast 99 Prozent der Fälle korrekt identifizierte, indem es Augenbewegungen und Gesichtsteifigkeit analysierte. Die Übersicht hob jedoch auch eine bedeutende Hürde hervor: Die meisten dieser erfolgreichen Modelle wurden mit privaten Daten trainiert, die in spezifischen Laboren gesammelt wurden, was es anderen Wissenschaftlern erschwert, die Ergebnisse zu verifizieren oder die Werkzeuge an anderer Stelle anzuwenden.

Die zweite große Herausforderung, die in der Übersicht behandelt wird, ist die Schwierigkeit, Autismus von anderen neuroentwicklungsbedingten Störungen zu unterscheiden. Kinder mit Autismus teilen oft Verhaltensmerkmale mit Kindern, die andere Erkrankungen haben, wie etwa die Entwicklungskoordinationstörung oder die Aufmerksamkeitsdefizit-/Hyperaktivitätsstörung. Eine Fehldiagnose kann zu der falschen Art von Therapie führen, die dem Kind möglicherweise nicht hilft. Die Übersicht identifizierte nur sechs Studien, die versuchten, dieses spezifische Problem mithilfe von Bewegungsdaten zu lösen. Diese Studien suchten nach subtilen Unterschieden darin, wie Kinder sich bewegten oder interagierten. Beispielsweise fand eine Studie heraus, dass Kinder mit Autismus und Kinder mit ADHS in vielen Bereichen ähnlich erscheinen mögen, ihre Augenbewegungen beim Betrachten von Gesichtern jedoch deutlich unterschiedliche Muster zeigten. Eine andere Studie verglich die Geschwindigkeit und Präzision der Handbewegungen bei Kindern mit Autismus gegenüber Kindern mit Parkinson und fand klare Unterschiede in der Kontrolle ihrer Handlungen. Trotz dieser vielversprechenden Erkenntnisse stellte die Übersicht fest, dass sehr wenige Studien dieses Problem angegangen sind und fast alle von kleinen, privaten Datensätzen abhängig waren, was das Feld ohne einen gemeinsamen Standard für den Vergleich zurücklässt.

Über die Klassifizierung hinaus konzentrierte sich die dritte Gruppe von Studien auf den Aufbau der Infrastruktur, die notwendig ist, um diese Technologie funktionsfähig zu machen. Die Forscher fanden heraus, dass viele bestehende Datensätze zu klein sind oder es an den detaillierten klinischen Labels mangelt, die für das Training leistungsstarker Computermodelle erforderlich sind. Um dies zu adressieren, haben mehrere Teams neue Werkzeuge entwickelt, um Verhalten in natürlicheren Umgebungen zu erfassen. Einige haben mobile Apps entwickelt, die es Eltern ermöglichen, ihre Kinder zu Hause aufzunehmen und so spontane Verhaltensweisen einzufangen, die in einer klinischen Praxis möglicherweise nicht auftreten. Andere haben Systeme gebaut, die den Blick oder die Körperhaltung eines Kindes während der Therapie automatisch verfolgen können, wodurch Stunden an Videomaterial in präzise Bewegungsmaße umgewandelt werden. Diese Werkzeuge sind essenziell, da sie das Rohmaterial – die Daten – liefern, von denen zukünftige, fortschrittlichere Modelle lernen müssen.

Die Übersicht kommt zu dem Schluss, dass Computer Vision zwar eine leistungsstarke Möglichkeit bietet, die Autismus-Diagnostik schneller und objektiver zu gestalten, das Feld jedoch noch nicht bereit für den breiten klinischen Einsatz ist. Die größte Barriere ist der Mangel an großen, öffentlichen Datensätzen, die sowohl Videomaterial als auch verifizierte klinische Scores enthalten. Ohne diese gemeinsamen Ressourcen ist es schwierig zu wissen, ob ein neues Werkzeug wirklich effektiv ist oder ob es nur in dem spezifischen Labor funktioniert, in dem es entwickelt wurde. Darüber hinaus haben sich die meisten Studien lediglich darauf konzentriert, Autismus von einer typischen Entwicklung abzugrenzen, während die komplexeren Aufgaben der Einstufung des Schweregrads und der Differenzierung zwischen verschiedenen Störungen unterforscht bleiben. Die Autoren legen nahe, dass der zukünftige Fortschritt von der Schaffung standardisierter Benchmarks und der Sammlung vielfältigerer Daten abhängt, die das breite Spektrum der Erfahrungen innerhalb der Autismus-Gemeinschaft widerspiegeln. Bis diese Schritte unternommen werden, bleibt die Technologie ein vielversprechendes, aber unvollständiges Werkzeug, das auf die Daten wartet, die es benötigt, um Klinikern und Familien wirklich helfen zu können.