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

Il Disturbo dello Spettro Autistico è una condizione che influenza il modo in cui le persone si connettono con gli altri, comunicano e muovono il proprio corpo. Poiché ogni persona con autismo vive queste sfide in modo differente, i medici non possono fare affidamento su una singola lista di controllo per comprendere l'immagine completa. Invece, cercano schemi specifici nel comportamento, noti come fenotipi, per determinare la gravità dei sintomi di una persona e per distinguere l'autismo da altre condizioni dello sviluppo che potrebbero apparire simili. Tradizionalmente, individuare questi schemi ha richiesto ore di osservazione da parte di specialisti altamente qualificati, che osservano l'interazione di un bambino e poi assegnano manualmente un punteggio al suo comportamento. Questo processo è lento, costoso e spesso ritardato dalla carenza di esperti, lasciando molte famiglie in attesa dell'aiuto di cui hanno bisogno.

Un nuovo approccio sta emergendo dall'intersezione tra medicina e tecnologia, utilizzando la computer vision per osservare e misurare il comportamento in modo automatico. Questo campo tratta il filmato video non solo come una registrazione, ma come una fonte di dati in grado di rivelare movimenti sottili che l'occhio umano potrebbe perdere. Analizzando come un bambino si muove, dove guarda e come imita gli altri, i computer possono iniziare a quantificare proprio quei tratti che i medici utilizzano per effettuare le diagnosi. Una recente revisione sistematica condotta dai ricercatori della Qatar University esplora fin dove sia arrivata questa tecnologia, esaminando decine di studi che tentano di utilizzare l'analisi video per comprendere le sfumature dell'autismo, dalla misurazione della gravità dei sintomi alla distinzione da altri disturbi.

I ricercatori dietro questa revisione si sono posti l'obiettivo di mappare l'attuale panorama dell'analisi basata sul movimento per l'autismo. Hanno cercato tra migliaia di articoli scientifici pubblicati dal 2010, cercando specificamente studi che utilizzassero dati video per analizzare il movimento. Dopo un rigoroso processo di selezione, hanno ristretto il campo a trentadue studi che soddisfacevano criteri severi. Questi studi rientravano in tre categorie principali: quelli che cercavano di graduare la gravità dell'autismo, quelli che cercavano di distinguere l'autismo da altre condizioni come il disturbo da deficit di attenzione e iperattività, e quelli che costruivano nuovi strumenti per catturare il comportamento, per la prima volta. La revisione rivela un campo pieno di promesse ma che lotta ancora con la mancanza di dati standardizzati.

Per quanto riguarda la misurazione della gravità, l'obiettivo è andare oltre una semplice diagnosi "sì o no" e determinare invece quanto siano intensi i sintomi di una persona. Ciò è fondamentale perché il livello di gravità determina il tipo di terapia che un bambino riceve. La revisione ha rilevato che quindici degli studi selezionati si sono concentrati su questo compito. Questi ricercatori hanno utilizzato algoriti informatici per osservare video di bambini impegnati in attività specifiche, come imitare un robot, giocare con una palla o partecipare a un gioco sociale. I computer hanno tracciato i movimenti corporei dei bambini, il loro sguardo e le loro espressioni facciali, confrontandoli con i punteggi clinici che gli esperti avevano già assegnato. Alcuni di questi studi hanno raggiunto un'elevata precisione, con un modello che identificava correttamente i livelli di gravità in quasi il 99 percento dei casi analizzando il movimento oculare e la rigidità facciale. Tuttavia, la revisione ha anche evidenziato un ostacolo significativo: la maggior parte di questi modelli di successo era stata addestrata su dati privati raccolti in laboratori specifici, rendendo difficile per altri scienziati verificare i risultati o applicare gli strumenti altrove.

La seconda grande sfida affrontata dalla revisione è la difficoltà di distinguere l'autismo da altri disturbi dello sviluppo neuropsichico. I bambini con autismo condividono spesso tratti comportamentali con bambini che presentano condizioni diverse, come il disturbo della coordinazione dello sviluppo o il disturbo da deficit di attenzione e iperattività. Una diagnosi errata può portare alla terapia sbagliata, che potrebbe non aiutare il bambino. La revisione ha identificato solo sei studi che tentavano di risolvere questo problema specifico utilizzando i dati sul movimento. Questi studi cercavano differenze sottili nel modo in cui i bambini si muovevano o interagivano. Ad esempio, uno studio ha scoperto che, sebbene i bambini con autismo e quelli con disturbo da deficit di attenzione e iperattività possano sembrare simili in molti modi, i loro movimenti oculari durante lo sguardo verso i volti mostrano schemi distinti. Un altro studio ha confrontato la velocità e la precisione dei movimenti delle mani nei bambini con autismo rispetto a quelli con la malattia di Parkinson, trovando chiare differenze nel modo in cui controllavano le loro azioni. Nonostante questi risultati promettenti, la revisione ha notato che pochissimi studi hanno affrontato questo problema e quasi tutti dipendevano da piccoli dataset privati, lasciando il campo privo di uno standard comune per il confronto.

Oltre alla classificazione, il terzo gruppo di studi si è concentrato sulla costruzione dell'infrastruttura necessaria per far funzionare questa tecnologia. I ricercatori hanno scoperto che molti dataset esistenti sono troppo piccoli o mancano delle etichette cliniche dettagliate necessarie per addestrare modelli informatici potenti. Per affrontare questo problema, diverse squadre hanno sviluppato nuovi strumenti per raccogliere il comportamento in contesti più naturali. Alcune hanno creato app mobili che consentono ai genitori di registrare i propri figli a casa, catturando comportamenti spontanei che potrebbero non manifestarsi in un ufficio clinico. Altre hanno costruito sistemi in grado di tracciare automaticamente lo sguardo o la postura di un bambino durante le sessioni di terapia, trasformando ore di video in misurazioni precise del movimento. Questi strumenti sono essenziali perché forniscono la materia prima — i dati — di cui avranno bisogno i futuri modelli più avanzati per imparare.

La revisione conclude che, sebbene la computer vision offra un modo potente per rendere la valutazione dell'autismo più rapida e oggettiva, il campo non è ancora pronto per un uso clinico diffuso. La barriera principale è la mancanza di grandi dataset pubblici che includano sia i filmati video che i punteggi clinici verificati. Senza queste risorse condivise, è difficile sapere se un nuovo strumento sia realmente efficace o se funzioni solo nel laboratorio specifico in cui è stato creato. Inoltre, la maggior parte degli studi si è concentrata semplicemente sul distinguere l'autismo dallo sviluppo tipico, lasciando le mansioni più complesse, come la graduazione della gravità e la differenziazione tra i disturbi, meno esplorate. Gli autori suggeriscono che il progresso futuro dipenda dalla creazione di benchmark standardizzati e dalla raccolta di dati più diversificati che riflettano la vasta gamma di esperienze all'interno della comunità autistica. Finché questi passaggi non saranno compiuti, la tecnologia rimarrà uno strumento promettente ma incompleto, in attesa dei dati di cui ha bisogno per aiutare davvero clinici e famiglie.