Autism classification from public rendered skeleton videos: a participant-level comparative study
Questo studio valuta l'architettura ChromaPose-MIL per la classificazione dell'autismo utilizzando video scheletrici pubblici di 160 bambini, riscontrando che, sebbene il modello sia computazionalmente fattibile e raggiunga prestazioni modeste (AUC 0,605), i limiti derivanti dalle piccole coorti di partecipanti e la necessità di una replica indipendente ne precludono l'attuale uso per lo screening clinico.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dall'autore. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Il disturbo dello spettro autistico è una complessa condizione dello sviluppo che influenza il modo in cui le persone comunicano, interagiscono ed esperiscono il mondo. Poiché l'identificazione precoce può portare a un migliore supporto e servizi, i ricercatori cercano da tempo modi per individuare i segni dell'autismo in modo più rapido e accurato. Una via promettente consiste nell'osservare come si muovono i bambini. Mentre un osservatore umano potrebbe faticare a notare schemi sottili nei gesti o nella postura di un bambino, un computer può analizzare migliaia di fotogrammi video per trovare differenze costanti nel movimento. Tuttavia, l'uso di video reali a questo scopo solleva seri problemi di privacy, poiché cattura volti e tratti identificabili. Per risolvere questo problema, gli scienziati hanno sviluppato un modo per trasformare il video in semplici disegni a bastoncini colorati, noti come rendering scheletrici. Queste immagini eliminano l'identità del bambino pur preservando i dati del movimento, consentendo ai ricercatori di studiare i modelli di movimento senza compromettere la privacy. La sfida rimane, tuttavia, quella di costruire un sistema informatico che possa guardare questi omini stilizzati in movimento e distinguere tra un bambino con autismo e un bambino che si sviluppa tipicamente.
Un recente studio di Niaz M Doostyar della Kandahar University affronta questa sfida testando un nuovo programma per computer progettato per leggere questi video a scheletri colorati. Il ricercatore ha utilizzato un dataset pubblico contenente le registrazioni di 160 bambini, la metà dei quali era stata diagnosticata con autismo e l'altra metà con uno sviluppo tipico. I video non erano filmati grezzi, ma le versioni semplificate e colorate degli scheletri menzionate in precedenza. L'obiettivo era vedere se un tipo specifico di intelligenza artificiale, che l'autore chiama ChromaPose-MIL, potesse imparare a distinguere tra i due gruppi semplicemente osservando come i bastoncini colorati si muovevano nel tempo. Questo sistema è stato costruito per essere compatto ed efficiente, capace di funzionare su un normale computer personale piuttosto che richiedere massicci ed costosi supercomputer. L'idea centrale era che, scomponendo i colori dei bastoncini in canali specifici e tracciando come cambiavano, il computer potesse trovare indizi nascosti nel movimento che l'occhio umano potrebbe mancare.
Lo studio ha addestrato il programma per computer partendo da zero utilizzando questi 160 bambini, dividendo i dati in diversi gruppi per garantire che il sistema stesse imparando schemi reali piuttosto che limitarsi a memorizzare le risposte. Quando i ricercatori hanno testato il sistema finale su bambini che non aveva mai visto prima, i risultati sono stati modesti. Il programma ha identificato correttamente il gruppo a cui apparteneva un bambino con un AUC di 0,56, che è solo leggermente migliore di un caso casuale. In termini di una misura standard di accuratezza utilizzata nei test medici, il sistema ha ottenuto un punteggio di 0,605, una cifra che non raggiunge quanto necessario per uno strumento clinico affidabile. I ricercatori hanno anche confrontato il loro nuovo sistema con diversi metodi più semplici, tra cui uno che guardava solo la disposizione statica dei fotogrammi video e un altro che utilizzava un diverso e ben noto tipo di analisi delle immagini. Sorprendentemente, alcuni di questi metodi più semplici o alternativi hanno performato altrettanto bene, o persino leggermente meglio, del complesso nuovo sistema. Ciò suggerisce che i trucchi ingegneristici specifici utilizzati nel nuovo programma non hanno fornito un vantaggio chiaro rispetto agli approcci esistenti.
Per capire perché il sistema avesse difficoltà, i ricercatori hanno eseguito una serie di esperimenti in cui hanno rimosso o modificato diverse parti del programma, come il modo in cui gestiva il colore o come elaborava il movimento nel tempo. Nessuna di queste modifiche ha migliorato significativamente i risultati. Lo studio ha anche esplorato se l'uso di strumenti di visione artificiale pre-addestrati, che sono solitamente molto bravi nel riconoscere oggetti nelle foto, potesse aiutare. Quando i ricercatori hanno utilizzato questi strumenti per estrarre caratteristiche dai video e poi hanno applicato un metodo statistico più semplice, l'accuratezza è migliorata fino a circa il 67,5 percento. Tuttavia, poiché questo test è stato eseguito dopo aver osservato i risultati iniziali e ha utilizzato lo stesso gruppo di bambini, i ricercatori avvertono che questo miglioramento potrebbe non reggere in un nuovo test indipendente. Lo studio sottolinea esplicitamente che il sistema non può ancora essere utilizzato per lo screening dei bambini con autismo in un ambulatorio medico, poiché la performance attuale non è abbastanza forte da essere affidata per una diagnosi.
I risultati evidenziano un divario significativo tra ciò che è tecnicamente possibile e ciò che è attualmente utile nel mondo reale. La ricerca dimostra che è fattibile addestrare un computer ad analizzare questi video scheletrici rispettosi della privacy su una macchina locale, ma mostra anche che gli attuali metodi non sono ancora abbastanza validi per distinguere in modo affidabile tra bambini con e senza autismo. L'autore evidenzia diverse ragioni per questa limitazione, come il piccolo numero di bambini nello studio e il fatto che i video sono stati semplificati dalla loro forma originale, il che potrebbe aver cancellato dettagli di movimento sottili. Avvertono inoltre che il computer potrebbe stare cogliendo la struttura stessa del test o il comportamento dell'esaminatore piuttosto che la firma di movimento unica del bambino. Prima che questa tecnologia possa essere considerata per lo screening, dovrà essere testata su gruppi molto più ampi di bambini e in contesti diversi per garantire che funzioni equamente e accuratamente per tutti. Per ora, lo studio funge da rapporto attento e onesto sullo stato dell'arte attuale, documentando sia il potenziale che le limitazioni dell'uso della visione artificiale per comprendere l'autismo attraverso il movimento.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.