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

Le trouble du spectre de l'autisme est une condition qui affecte la manière dont les personnes communiquent, se connectent aux autres et bougent leur corps. Comme chaque personne autiste vit ces défis différemment, les médecins ne peuvent pas se fier à une simple liste de contrôle pour comprendre l'ensemble de la situation. Au lieu de cela, ils recherchent des modèles de comportement spécifiques, appelés phénotypes, pour déterminer la gravité des symptômes d'une personne et pour distinguer l'autisme d'autres troubles du développement qui pourraient lui ressembler. Traditionnellement, la recherche de ces modèles nécessite des heures d'observation par des spécialistes hautement qualifiés, qui observent l'interaction d'un enfant puis évaluent manuellement son comportement. Ce processus est lent, coûteux et souvent retardé par une pénurie d'experts, laissant de nombreuses familles dans l'attente de l'aide dont elles ont besoin.

Une nouvelle approche émerge de l'intersection entre la médecine et la technologie, utilisant la vision par ordinateur pour observer et mesurer le comportement automatiquement. Ce domaine traite la séquence vidéo non pas comme un simple enregistrement, mais comme une source de données capable de révéler des mouvements subtils qui pourraient échapper à l'œil humain. En analysant la façon dont un enfant bouge, où il regarde et comment il imite les autres, les ordinateurs peuvent commencer à quantifier les traits mêmes que les médecins utilisent pour établir les diagnostics. Une récente revue systématique menée par des chercheurs de l'Université du Qatar explore jusqu'où cette technologie est parvenue, en examinant des dizaines d'études qui tentent d'utiliser l'analyse vidéo pour comprendre les nuances de l'autisme, de la mesure de la gravité des symptômes à la distinction avec d'autres troubles.

Les chercheurs derrière cette revue ont cherché à cartographier le paysage actuel de l'analyse basée sur le mouvement pour l'autisme. Ils ont parcouru des milliers d'articles scientifiques publiés depuis 2010, recherchant spécifiquement les études utilisant des données vidéo pour analyser le mouvement. Après un processus de sélection rigoureux, ils ont réduit leur champ d'étude à trente-deux études répondant à des critères stricts. Ces études se divisaient en trois catégories principales : celles tentant de graduer la sévérité de l'autisme, celles tentant de distinguer l'autisme d'autres conditions comme le trouble du déficit de l'attention avec ou sans hyperactivité (TDAH), et celles construisant de nouveaux outils pour capturer le comportement en premier lieu. La revue révèle un domaine plein de promesses, mais qui lutte encore contre un manque de standardisation des données.

En ce qui concerne la mesure de la sévérité, l'objectif est de dépasser un simple diagnostic « oui ou non » pour déterminer plutôt l'intensité des symptômes d'une personne. Cela est crucial car le niveau de sévérité dicte le type de thérapie qu'un enfant recevra. La revue a révélé que quinze des études sélectionnées se concentraient sur cette tâche. Ces chercheurs ont utilisé des algorithmes informatiques pour observer des vidéos d'enfants effectuant des activités spécifiques, telles que l'imitation d'un robot, le jeu avec un ballon ou la participation à un jeu social. Les ordinateurs ont suivi les mouvements corporels des enfants, leur regard et leurs expressions faciales, en les comparant aux scores cliniques déjà attribués par des experts. Certaines de ces études ont atteint une grande précision, un modèle identifiant correctement les niveaux de sévérité dans près de 99 % des cas en analysant le mouvement des yeux et la rigidité faciale. Cependant, la revue a également souligné un obstacle majeur : la plupart de ces modèles performants ont été entraînés sur des données privées collectées dans des laboratoires spécifiques, ce qui rend difficile pour d'autres scientifiques de vérifier les résultats ou d'appliquer les outils ailleurs.

Le second défi majeur abordé par la revue est la difficulté de distinguer l'autisme d'autres troubles neurodéveloppementaux. Les enfants autistes partagent souvent des traits comportementaux avec des enfants présentant des conditions différentes, telles que le trouble du développement de la coordination ou le trouble du déficit de l'attention avec ou sans hyperactivité. Un mauvais diagnostic peut conduire à une thérapie inappropriée, qui pourrait ne pas aider l'enfant. La revue a identifié seulement six études qui tentaient de résoudre ce problème spécifique à l'aide de données de mouvement. Ces études cherchaient des différences subtiles dans la façon dont les enfants bougeaient ou interagissaient. Par exemple, une étude a découvert que si les enfants autistes et ceux atteints de TDAH pouvaient sembler similaires à bien des égards, leurs mouvements oculaires lors de l'observation de visages présentaient des motifs distincts. Une autre étude a comparé la vitesse et la précision des mouvements des mains chez des enfants autistes par rapport à des patients atteints de la maladie de Parkinson, trouvant des différences claires dans leur contrôle moteur. Malgré ces résultats prometteurs, la revue a noté que très peu d'études ont abordé ce problème, et que presque toutes reposaient sur de petits ensembles de données privés, laissant le domaine sans standard commun de comparaison.

Au-delà de la classification, le troisième groupe d'études s'est concentré sur la construction de l'infrastructure nécessaire au fonctionnement de cette technologie. Les chercheurs ont constaté que de nombreux ensembles de données existants sont trop restreints ou manquent des étiquettes cliniques détaillées nécessaires pour entraîner des modèles informatiques puissants. Pour y remédier, plusieurs équipes ont développé de nouveaux outils pour collecter le comportement dans des contextes plus naturels. Certains ont créé des applications mobiles permettant aux parents d'enregistrer leurs enfants à la maison, capturant ainsi des comportements spontanés qui pourraient ne pas apparaître dans un cabinet clinique. D'autres ont construit des systèmes capables de suivre automatiquement le regard ou la posture d'un enfant pendant les séances de thérapie, transformant des heures de vidéo en mesures précises de mouvement. Ces outils sont essentiels car ils fournissent la matière première — la donnée — dont les futurs modèles plus avancés auront besoin pour apprendre.

La revue conclut que, bien que la vision par ordinateur offre un moyen puissant de rendre l'évaluation de l'autisme plus rapide et plus objective, le domaine n'est pas encore prêt pour une utilisation clinique généralisée. Le principal obstacle est l'absence de grands ensembles de données publiques incluant à la fois des séquences vidéo et des scores cliniques vérifiés. Sans ces ressources partagées, il est difficile de savoir si un nouvel outil est réellement efficace ou s'il ne fonctionne que dans le laboratoire spécifique où il a été créé. De plus, la plupart des études se sont concentrées sur la simple distinction entre l'autisme et un développement typique, laissant les tâches plus complexes de gradation de la sévérité et de différenciation entre les troubles sous-explorées. Les auteurs suggèrent que les progrès futurs dépendent de la création de références standardisées et de la collecte de données plus diversifiées reflétant la large gamme d'expériences au sein de la communauté autistique. Tant que ces étapes ne seront pas franchies, la technologie demeure un outil prometteur mais incomplet, en attente des données dont elle a besoin pour véritablement aider les cliniciens et les familles.