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

自閉スペクトラム症は、人とのつながり方、コミュニケーション、そして身体の動きに影響を与える状態です。自閉症を持つすべての人にとって、これらの課題の現れ方は一人ひとり異なるため、医師は全体像を把握するために単一のチェックリストに頼ることはできません。その代わりに、医師は行動における特定のパターン、すなわち「フェノタイプ（表現型）」を探し出し、症状の重症度を判断したり、自閉症を他の類似した発達障害と区別したりします。伝統的に、こうしたパターンの発見には、高度な訓練を受けた専門家による何時間もの観察が必要でした。専門家は子供がどのように相互作用するかを観察し、その後、行動を手動でスコア化します。このプロセスは時間がかかり、コストも高く、専門家の不足によって遅延することも多いため、多くの家族が助けを必要としている中で待機を余儀なくされています。

現在、医学とテクノロジーの交差点から、コンピュータビジョンを用いて行動を自動的に観察・測定するという新しいアプローチが登場しています。この分野では、ビデオ映像を単なる記録としてではなく、人間の目では見逃してしまうような微細な動きを明らかにするためのデータソースとして扱います。コンピュータは、子供がどのように動き、どこを見ているか、そしてどのように他者の模倣を行うかを分析することで、医師が診断に用いる特性そのものを定量化し始めています。カタール大学の研究者らによる最近の系統的レビューは、このテクノロジーがどこまで進歩してきたかを探求し、症状の重症度の測定から、他の疾患との識別に至るまで、ビデオ分析を用いて自閉症のニュアンスを理解しようとする数十の研究を検証しています。

このレビューを行った研究者たちは、動きに基づいた分析の現状をマッピングすることを目指しました。彼らは2010年以降に発表された数千件の科学論文を検索し、特にビデオデータを使用して動きを分析している研究を探しました。厳格なスクリーニングプロセスを経て、彼らは厳しい基準を満たした32の研究に絞り込みました。これらの研究は、主に3つのカテゴリーに分類されます。自閉症の重症度を判定しようとするもの、注意欠如・多動症（ADHD）のような他の疾患と自閉症を区別しようとするもの、そして、そもそも行動を捉えるための新しいツールを構築しているものです。このレビューは、この分野が大きな期待に満ちている一方で、標準化されたデータの欠如に苦しんでいる現状を明らかにしています。

重症度の測定に関して、目標は単なる「イエスかノーか」の診断を超えて、症状がいかに強烈であるかを判断することです。これは極めて重要です。なぜなら、重症度のレベルによって、子供が受ける療法の種類が決まるからです。レビューによると、選定された研究のうち15件がこのタスクに焦点を当てていました。これらの研究者は、コンピュータアルゴリズムを用いて、ロボットの模倣、ボール遊び、あるいは社会的ゲームへの参加といった、特定の活動を行っている子供たちのビデオを観察しました。コンピュータは子供たちの身体の動き、視線、表情を追跡し、それらを専門家が既に割り当てた臨床スコアと比較しました。これらのモデルの中には高い精度を達成したものもあり、あるモデルは、目の動きと顔の硬さを分析することで、重症度のレベルを99パーセント近い精度で正しく特定しました。しかし、レビューは重要な障壁も浮き彫りにしました。これらの成功したモデルの多くは、特定のラボで収集されたプライベートなデータで学習されており、他の科学者が結果を検証したり、ツールを他の場所で応用したりすることが困難になっているのです。

レビューが取り組んだ第二の大きな課題は、自閉症を他の神経発達障害と区別することの難しさです。自閉症の子供は、発達性協調運動障害や注意欠如・多動症（ADHD）など、異なる疾患を持つ子供たちと共通の行動特性を示すことがよくあります。誤診は、子供にとって適切ではない療法の選択につながり、結果として助けにならない可能性があります。レビューでは、動きのデータを用いてこの特定の問題を解決しようとした研究は、わずか6件であったことが示されました。これらの研究は、子供たちの動きや相互作用における微細な違いを探りました。例えば、ある研究では、自閉症の子供とADHDの子供は多くの点で似ているものの、顔を見た際の目の動きには明確なパターンの違いがあることが分かりました。また別の研究では、自閉症の子供とパーキンソン病の子供における手の動きの速度と精密さを比較し、動作の制御方法における明確な違いを見出しました。これらの有望な知見にもかかわらず、レビューは、この問題に取り組んだ研究は非常に少なく、そのほとんどが小規模でプライベートなデータセットに依存しているため、比較のための共通の基準が存在しないことを指摘しています。

分類を超えて、第3のグループの研究は、このテクノロジーを機能させるために必要なインフラストラクチャの構築に焦点を当てていました。研究者たちは、既存のデータセットの多くが小さすぎたり、強力なコンピュータモデルを学習させるために必要な詳細な臨床ラベルが欠けていたりすることを発見しました。これに対処するため、いくつかのチームは、より自然な環境で行動を収集するための新しいツールを開発してきました。中には、親が自宅で子供を録画できるモバイルアプリを作成し、臨床現場では現れない自然な行動を捉えるものもあります。また、セラピー中の子供の視線や姿勢を自動的に追跡し、何時間ものビデオを動きの精密な測定値へと変換するシステムを構築しているチームもあります。これらのツールは、将来のより高度なモデルが学習するために必要となる「原材料」、すなわち「データ」を提供する上で不可ло欠なものです。

結論として、コンピュータビジョンは自閉症の評価をより迅速かつ客観的にする強力な手段を提供しますが、この分野はまだ広範な臨床利用ができる段階には至っていないとレビューは述べています。最大の障壁は、ビデオ映像と検証済みの臨床スコアの両方を含む、大規模で公開されたデータセットの欠如です。これらの共有リソースがなければ、新しいツールが本当に効果的なのか、あるいはそれが作成された特定のラボでのみ機能するものなのかを判断することは困難です。さらに、ほとんどの研究は、典型的な発達との違いを単に判別することに焦点を当てており、重症度の判定や疾患間の差別化といった、より複雑なタスクは未開拓のままです。著者らは、今後の進展は、標準化されたベンチマークを作成し、自閉症コミュニティ内の幅広い経験を反映した、より多様なデータを収集することにかかっていると示唆しています。これらのステップが踏まれるまで、このテクノロジーは、臨床医や家族を真に助けるために必要なデータを待ち続けている、有望ではあるが不完全なツールであり続けています。