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

El Trastorno del Espectro Autista es una condición que afecta la forma en que las personas se conectan con los demás, se comunican y mueven sus cuerpos. Debido a que cada persona con autismo experimenta estos desafíos de manera diferente, los médicos no pueden confiar en una única lista de verificación para comprender el panorama completo. En su lugar, buscan patrones específicos en el comportamiento, conocidos como fenotipos, para determinar qué tan graves son los síntomas de una persona y para distinguir el autismo de otras condiciones del desarrollo que podrían parecer similares. Tradicionalmente, encontrar estos patrones ha requerido horas de observación por parte de especialistas altamente capacitados, quienes observan la interacción de un niño y luego califican manualmente su comportamiento. Este proceso es lento, costoso y a menudo se ve retrasado por la escasez de expertos, lo que deja a muchas familias esperando la ayuda que necesitan.

Un nuevo enfoque está surgiendo de la intersección entre la medicina y la tecnología, utilizando la visión artificial para observar y medir el comportamiento de forma automática. Este campo trata el metraje de video no solo como una grabación, sino como una fuente de datos que puede revelar movimientos sutiles que el ojo humano podría pasar por alto. Al analizar cómo se mueve un niño, hacia dónde mira y cómo imita a otros, las computadoras pueden comenzar a cuantificar los mismos rasgos que los médicos utilizan para realizar los diagnósticos. Una revisión sistemática reciente realizada por investigadores de la Universidad de Qatar explora hasta qué punto ha avanzado esta tecnología, examinando docenas de estudios que intentan utilizar el análisis de video para comprender los matices del autismo, desde la medición de la gravedad de los síntomas hasta la distinción de otros trastornos.

Los investigadores detrás de esta revisión se propusieron mapear el panorama actual del análisis basado en el movimiento para el autismo. Buscaron entre miles de artículos científicos publicados desde 2010, buscando específicamente estudios que utilizaran datos de video para analizar el movimiento. Tras un riguroso proceso de selección, redujeron su enfoque a treinta y dos estudios que cumplían con criterios estrictos. Estos estudios se dividieron en tres categorías principales: aquellos que intentan calificar la gravedad del autismo, aquellos que intentan distinguir el autismo de otras condiciones como el trastorno por déficit de atención con hiperactividad, y aquellos que construyen nuevas herramientas para capturar el comportamiento en primer lugar. La revisión revela un campo que está lleno de promesas pero que aún lucha con la falta de datos estandarizados.

Cuando se trata de medir la gravedad, el objetivo es ir más allá de un simple diagnóstico de "sí o no" y, en su lugar, determinar qué tan intensos son los síntomas de una persona. Esto es crucial porque el nivel de gravedad dicta el tipo de terapia que recibe un niño. La revisión encontró que quince de los estudios seleccionados se centraron en esta tarea. Estos investigadores utilizaron algoritmos computacionales para observar videos de niños realizando actividades específicas, como imitar a un robot, jugar con una pelota o participar en un juego social. Las computadoras rastrearon los movimientos corporales de los niños, su mirada y sus expresiones faciales, comparándolos con las puntuaciones clínicas que los expertos ya habían asignado. Algunos de estos estudios lograron una alta precisión, con un modelo que identificó correctamente los niveles de gravedad en casi el 99 por ciento de los casos al analizar el movimiento ocular y la rigidez facial. Sin embargo, la revisión también destacó un obstáculo significativo: la mayoría de estos modelos exitosos fueron entrenados con datos privados recolectados en laboratorios específicos, lo que dificulta que otros científicos verifiquen los resultados o apliquen las herramientas en otros lugares.

El segundo gran desafío abordado en la revisión es la dificultad de distinguir el autismo de otros trastornos del neurodesarrollo. Los niños con autismo a menudo comparten rasgos de comportamiento con niños que tienen condiciones diferentes, como el trastorno del desarrollo de la coordinación o el trastorno por déficit de atención con hiperactividad. Un diagnóstico erróneo puede conducir al tipo de terapia equivocado, que podría no ayudar al niño. La revisión identificó solo seis estudios que intentaron resolver este problema específico utilizando datos de movimiento. Estos estudios buscaron diferencias sutiles en cómo se movían o interactuaban los niños. Por ejemplo, un estudio encontró que, mientras que los niños con autismo y aquellos con trastorno por déficit de atención con hiperactividad podrían parecerse en muchos aspectos, sus movimientos oculares al mirar rostos mostraban patrones distintos. Otro estudio comparó la velocidad y la precisión de los movimientos de las manos en niños con autismo frente a aquellos con la enfermedad de Parkinson, encontrando diferencias claras en cómo controlaban sus acciones. A pesar de estos hallazores prometedores, la revisión señaló que muy pocos estudios han abordado este problema, y casi todos ellos dependieron de conjuntos de datos pequeños y privados, dejando al campo sin un estándar compartido para la comparación.

Más allá de la clasificación, el tercer grupo de estudios se centró en construir la infraestructura necesaria para que esta tecnología funcione. Los investigadores encontraron que muchos conjuntos de datos existentes son demasiado pequeños o carecen de las etiquetas clínicas detalladas necesarias para entrenar modelos computacionales potentes. Para abordar esto, varios equipos han desarrollado nuevas herramientas para recolectar el comportamiento en entornos más naturales. Algunos han creado aplicaciones móviles que permiten a los padres grabar a sus hijos en casa, capturando comportamientos espontáneos que podrían no aparecer en una oficina clínica. Otros han construido sistemas que pueden rastrear automáticamente la mirada o la postura de un niño durante las sesiones de terapia, convirtiendo horas de video en mediciones precisas de movimiento. Estas herramientas son esenciales porque proporcionan la materia prima —los datos— de la que necesitarán aprender los modelos futuros, más avanzados.

La revisión concluye que, si bien la visión artificial ofrece una forma poderosa de hacer que la evaluación del autismo sea más rápida y objetiva, el campo aún no está listo para el uso clínico generalizado. La mayor barrera es la falta de conjuntos de datos grandes y públicos que incluyan tanto el metraje de video como las puntuaciones clínicas verificadas. Sin estos recursos compartidos, es difícil saber si una nueva herramienta es realmente efectiva o si solo funciona en el laboratorio específico donde fue creada. Además, la mayoría de los estudios se han centrado simplemente en distinguir el autismo del desarrollo típico, dejando las tareas más complejas de calificar la gravedad y diferenciar entre trastornos poco exploradas. Los autores sugieren que el progreso futuro depende de la creación de puntos de referencia estandarizados y de la recolección de datos más diversos que reflejen la amplia gama de experiencias dentro de la comunidad del autismo. Hasta que se tomen estos pasos, la tecnología sigue siendo una herramienta prometedora pero incompleta, esperando los datos que necesita para ayudar verdaderamente a clínicos y familias.