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

Autismespectrumstoornis is een conditie die invloed heeft op hoe mensen contact maken met anderen, communiceren en hun lichaam bewegen. Omdat elke persoon met autisme deze uitdagingen anders ervaart, kunnen artsen niet vertrouwen op een enkele checklist om het volledige beeld te begrijpen. In plaats daarvan zoeken ze naar specifieke gedragspatronen, fenotypes genoemd, om te bepalen hoe ernstig de symptomen van een persoon zijn en om autisme te onderscheiden van andere ontwikkelingsstoornissen die er vergelijkbaar uit kunnen zien. Traditioneel vereist het vinden van deze patronen urenlange observatie door hoogopgeleide specialisten, die een kind zien interageren en vervolgens gedrag handmatig scoren. Dit proces is traag, duur en wordt vaak vertraagd door een tekort aan experts, waardoor veel families moeten wachten op de hulp die ze nodig hebben.

Een nieuwe benadering ontstaat op het snijvlak van geneeskunde en technologie, waarbij computer vision wordt gebruikt om gedrag automatisch te observeren en te meten. Dit vakgebied behandelt videobeelden niet alleen als een opname, maar als een bron van gegevens die subtiele bewegingen kunnen onthullen die het menselijk oog zou missen. Door te analyseren hoe een kind beweegt, waar het naar kijkt en hoe het anderen nabootst, kunnen computers beginnen met het kwantificeren van precies die kenmerken die artsen gebruiken bij diagnoses. Een recente systematische review door onderzoekers van de Qatar University onderzoekt hoe ver deze technologie is gekomen, door tientallen studies te onderzoeken die proberen videobeeldanalyse te gebruiken om de nuances van autisme te begrijpen, van het meten van de ernst van symptomen tot het onderscheiden ervan van andere stoornissen.

De onderzoekers achter deze review hadden als doel om het huidige landschap van bewegingsgebaseerde analyse bij autisme in kaart te brengen. Ze doorzochten duizenden wetenschappelijke artikelen die sinds 2010 zijn gepubliceerd, specifief zoekend naar studies die videogegevens gebruikten om beweging te analyseren. Na een rigoureus selectieproces beperkten ze hun focus tot tweeëndertig studies die voldeden aan strikte criteria. Deze studies vielen uiteen in drie hoofdcategorieën: studies die probeerden de ernst van autisme te gradueren, studies die probeerden autisme te onderscheiden van andere condities zoals aandachttekort met hyperactiviteitsstoornis (ADHD), en studies die nieuwe instrumenten bouwden om gedrag in de eerste plaats vast te leggen. De review onthult een veld dat vol belofte zit, maar nog steeds worstelt met een gebrek aan gestandaardiseerde gegevens.

Wat betreft het meten van de ernst, is het doel om verder te gaan dan een simpele "ja of nee"-diagnose en in plaats daarvan te bepalen hoe intens de symptomen van een persoon zijn. Dit is cruciaal omdat het niveau van ernst bepaalt welk type therapie een kind ontvangt. De review vond dat vijftien van de geselecteerde studies zich op deze taak richtten. Deze onderzoekers gebruikten computeralgoritmen om video's te bekijken van kinderen die specifieke activiteiten uitvoeren, zoals het imiteren van een robot, het spelen met een bal of het deelnemen aan een sociaal spel. De computers volgden de lichaamsbewegingen van de kinderen, hun oogbewegingen en gezichtsuitdrukkingen, en vergeleken deze met klinische scores die experts eerder hadden toegewezen. Sommige van deze studies bereikten een hoge nauwkeurigheid, waarbij één model bijna 99 procent van de gevallen correct identificeerde door oogbewegingen en gezichtsstijfheid te analyseren. De review benadrukte echter ook een aanzienlijke hindernis: de meeste van deze succesvolle modellen waren getraind op private gegevens verzameld in specifieke laboratoria, wat het voor andere wetenschappers moeilijk maakt om de resultaten te verifiëren of de instrumenten elders toe te passen.

De tweede grote uitdaging die in de review wordt behandeld, is de moeilijkheid om autisme te onderscheiden van andere neurodevelopmentale stoornissen. Kinderen met autisme delen vaak gedragskenmerken met kinderen met andere condities, zoals ontwikkelingsstoornis in de coördinatie of aandachttekort met hyperactiviteitsstoornis. Een misdiagnose kan leiden tot de verkeerde vorm van therapie, wat mogelijk niet helpt aan het kind. De review identificeerde slechts zes studies die probeerden dit specifieke probleem op te lossen met behulp van bewegingsgegevens. Deze studies zochten naar subtiele verschillen in hoe kinderen bewogen of interageerden. Zo vond één studie dat hoewel kinderen met autisme en kinderen met ADHD op veel manieren op elkaar lijken, hun oogbewegingen bij het kijken naar gezichten duidelijke patronen vertoonden. Een andere studie vergeleek de snelheid en precisie van handbewegingen bij kinderen met autisme tegenover die van kinderen met de ziekte van Parkinson, waarbij duidelijke verschillen werden gevonden in hoe zij hun acties controleerden. Ondanks deze veelbelovende bevindingen merkte de review op dat zeer weinig studies dit probleem hebben aangepakt, en bijna al deze studies vertrouwden op kleine, private datasets, waardoor het veld zonder een gedeelde standaard voor vergelijking blijft zitten.

Buiten classificatie om, richtten de derde groep studies zich op het bouwen van de infrastructuur die nodig is om deze technologie te laten werken. De onderzoekers ontdekten dat veel bestaande datasets te klein zijn of een gebrek hebben aan de gedetailleerde klinische labels die nodig zijn om krachtige computermodellen te trainen. Om dit aan te pakken, hebben verschillende teams nieuwe instrumenten ontwikkeld om gedrag in meer natuurlijke omgevingen vast te leggen. Sommigen hebben mobiele apps ontwikkeld waarmee ouders thuis de opnames van hun kinderen kunnen maken, waardoor spontaan gedrag kan worden vastgelegd dat mogelijk niet voorkomt in een klinische omgeving. Anderen hebben systemen gebouwd die automatisch de blik of houding van een kind tijdens therapiesessies kunnen volgen, waardoor uren aan videomateriaal worden omgezet in precieze metingen van beweging. Deze instrumenten zijn essentieel omdat ze de grondstof leveren—de gegevens—waar toekomstige, meer geavanceerde modellen van moeten leren.

De review concludeert dat hoewel computer vision een krachtige manier biedt om de beoordeling van autisme sneller en objectiever te maken, het veld nog niet klaar is voor breed klinisch gebruik. De grootste barrière is het gebrek aan grote, publieke datasets die zowel videobeelden als geverifieerde klinische scores bevatten. Zonder deze gedeelde middelen is het moeilijk te weten of een nieuw instrument werkelijk effectief is of dat het alleen werkt in het specifieke laboratorium waar het is gecreëerd. Bovendien hebben de meeste studies zich gericht op het simpelweg onderscheiden van autisme van een normale ontwikkeling, waardoor de complexere taken van het graderen van de ernst en het differentiëren tussen stoornissen onderbelicht zijn gebleven. De auteurs suggereren dat toekomstige vooruitgang afhangt van het creëren van gestandaardiseerde benchmarks en het verzamelen van meer diverse gegevens die de brede reeks ervaringen binnen de autismegemeenschap weerspiegelen. Tot die tijd blijft de technologie een veelbelovend maar onvolledig instrument, wachtend op de gegevens die het nodig heeft om clinici en families echt te kunnen helpen.