Autism classification from public rendered skeleton videos: a participant-level comparative study
Cette étude évalue l'architecture ChromaPose-MIL pour la classification de l'autisme à partir de vidéos de squelettes publiques de 160 enfants, concluant que bien que le modèle soit informatiquement réalisable et atteigne une performance modeste (AUC 0,605), les limites liées aux petites cohortes de participants et la nécessité d'une réplication indépendante empêchent son utilisation actuelle pour le dépistage clinique.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par l'auteur. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Le trouble du spectre de l'autisme est un trouble du développement complexe qui affecte la façon dont les personnes communiquent, interagissent et expérimentent le monde. Comme l'identification précoce peut mener à un meilleur soutien et à de meilleurs services, les chercheurs cherchent depuis longtemps des moyens de repérer les signes de l'autisme plus rapidement et plus précisément. Une voie prometteuse consiste à observer comment les enfants se déplacent. Alors qu'un observateur humain pourrait avoir du mal à remarquer des motifs subtils dans les gestes ou la posture d'un enfant, un ordinateur peut analyser des milliers d'images vidéo pour trouver des différences de mouvement constantes. Cependant, l'utilisation de vidéos réelles à cette fin soulève de graves préoccupations en matière de confidentialité, car elles capturent des visages et des caractéristiques identifiables. Pour résoudre ce problème, les scientifiques ont développé un moyen de transformer la vidéo en de simples dessins de squelettes colorés, appelés rendus de squelettes. Ces images suppriment l'identité de l'enfant tout en préservant les données de mouvement, permettant aux chercheurs d'étudier les modèles de mouvement sans compromettre la vie privée. Le défi reste toutefois de construire un système informatique capable de regarder ces squelettes en mouvement et de faire la différence entre un enfant autiste et un enfant au développement typique.
Une étude récente de Niaz M Doostyar, de l'Université de Kandahar, s'attaque à ce défi en testant un nouveau programme informatique conçu pour lire ces vidéos de squelettes colorés. Le chercheur a utilisé un ensemble de données publiques contenant des enregistrements de 160 enfants, dont la moitié avait reçu un diagnostic d'autisme et l'autre moitié présentait un développement typique. Les vidéos n'étaient pas des séquences brutes, mais plutôt les versions simplifiées et colorées de squelettes mentionnées précédemment. L'objectif était de voir si un type spécifique d'intelligence artificielle, que l'auteur appelle ChromaPose-MIL, pouvait apprendre à distinguer les deux groupes simplement en regardant comment les squelettes bougeaient au fil du temps. Ce système a été conçu pour être compact et efficace, capable de fonctionner sur un ordinateur personnel standard plutôt que de nécessiter de gigantesques et coûteux supercalculateurs. L'idée centrale était qu'en décomposant les couleurs des squelettes en canaux spécifiques et en suivant leurs changements, l'ordinateur pourrait trouver des indices cachés dans le mouvement qu'un œil humain pourrait manquer.
L'étude a entraîné le programme informatique de zéro à partir de ces 160 enfants, en divisant les données en différents groupes pour s'assurer que le système apprenait de vrais motifs plutôt que de simplement mémoriser les réponses. Lorsque les chercheurs ont testé le système final sur des enfants qu'il n'avait jamais vus auparavant, les résultats ont été modestes. Le programme a correctement identifié le groupe auquel appartenait l'enfant avec une AUC de 0,56, ce qui est à peine meilleur qu'un choix aléatoire. En termes de mesure de précision standard utilisée dans les tests médicaux, le système a obtenu un score de 0,605, un chiffre qui est insuffisant pour être un outil clinique fiable. Les chercheurs ont également comparé leur nouveau système à plusieurs méthodes plus simples, incluant une méthode qui ne regardait que la disposition statique des images vidéo et une autre utilisant un type différent et bien connu d'analyse d'image. Étonnamment, certaines de ces méthodes plus simples ou alternatives ont obtenu des résultats tout aussi bons, voire légèrement supérieurs, au nouveau système complexe. Cela suggère que les astuces d'ingénierie spécifiques utilisées dans le nouveau programme n'ont pas apporté d'avantage clair par rapport aux approches existantes.
Pour comprendre pourquoi le système peinait, les chercheurs ont mené une série d'expériences où ils ont supprimé ou modifié différentes parties du programme, comme la gestion de la couleur ou la manière dont le mouvement est traité dans le temps. Aucune de ces modifications n'a amélioré les résultats de manière significative. L'étude a également exploré si l'utilisation d'outils de vision par ordinateur pré-entraînés, qui sont généralement très performants pour reconnaître des objets sur des photos, pouvait aider. Lorsque les chercheurs ont utilisé ces outils pour extraire des caractéristiques des vidéos puis ont appliqué une méthode statistique plus simple, la précision s'est améliorée pour atteindre environ 67,5 pour cent. Cependant, comme ce test a été effectué après avoir examiné les résultats initiaux et qu'il utilisait le même groupe d'enfants, les chercheurs avertissent que cette amélioration pourrait ne pas se maintenir lors d'un nouvel essai indépendant. L'étude note explicitement que le système ne peut pas encore être utilisé pour dépister les enfants autistes dans un cabinet médical, car la performance actuelle n'est pas assez robuste pour être digne de confiance pour un diagnostic.
Les conclusions soulignent un écart important entre ce qui est techniquement possible et ce qui est actuellement utile dans le monde réel. La recherche prouve qu'il est possible d'entraîner un ordinateur à analyser ces vidéos de squelettes respectueuses de la vie privée sur une machine locale, mais elle montre aussi que les méthodes actuelles ne sont pas encore assez bonnes pour distinguer de manière fiable les enfants avec ou sans autisme. L'auteur souligne plusieurs raisons de cette limitation, telles que le petit nombre d'enfants dans l'étude et le fait que les vidéos ont été simplifiées à partir de leur forme originale, ce qui peut avoir effacé des détails de mouvement subtils. Ils préviennent également que l'ordinateur pourrait capter la structure même du test ou le comportement de l'examinateur plutôt que la signature de mouvement unique de l'enfant. Avant que cette technologie ne puisse être considérée pour le dépistage, elle devra être testée sur des groupes d'enfants beaucoup plus larges et dans différents contextes pour garantir qu'elle fonctionne de manière équitable et précise pour tout le monde. Pour l'instant, l'étude sert de rapport prudent et honnête sur l'état actuel de l'art, documentant à la fois le potentiel et les limites de l'utilisation de la vision par ordinateur pour comprendre l'autisme à travers le mouvement.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.