Autism classification from public rendered skeleton videos: a participant-level comparative study
Deze studie evalueert de ChromaPose-MIL-architectuur voor autismeclassificatie met behulp van publieke skeletvideo's van 160 kinderen, waarbij wordt vastgesteld dat hoewel het model computationeel haalbaar is en een bescheiden prestatie levert (AUC 0,605), de beperkingen van kleine cohorten deelnemers en de noodzaak voor onafhankelijke replicatie het huidige gebruik voor klinische screening verhinderen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteur. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Autismespectrumstoornis is een complexe ontwikkelingsstoornis die invloed heeft op hoe mensen communiceren, interageren en de wereld ervaren. Omdat vroege identificatie kan leiden tot betere ondersteuning en diensten, zoeken onderzoekers al lang naar manieren om tekenen van autisme sneller en nauwkeuriger te ontdekken. Een veelbelovende weg houdt in dat men kijkt naar hoe kinderen bewegen. Terwijl een menselijke waarnemer moeite kan hebben om subtiele patronen in de gebaren of houding van een kind op te merken, kan een computer duizenden videoframes analyseren om consistente verschillen in beweging te vinden. Het gebruik van echte video voor dit doel roept echter ernstige privacyzorgen op, omdat het gezichten en identificeerbare kenmerken vastlegt. Om dit op te lossen, hebben wetenschappers een manier ontwikkeld om video om te zetten in eenvoudige, gekleurde stokfiguurtekeningen, bekend als skelet-renderings. Deze afbeeldingen strippen de identiteit van het kind weg terwijl ze de bewegingsgegevens behouden, waardoor onderzoekers bewegingspatronen kunnen bestuderen zonder de privacy in gevaar te brengen. De uitdaging blijft echter om een computersysteem te bouwen dat naar deze bewegende stokfiguren kan kijken en het verschil kan zien tussen een kind met autisme en een kind dat zich normaal ontwikkelt.
Een recente studie door Niaz M Doostyar aan de Kandahar Universiteit pakt deze uitdaging aan door een nieuwe computerprogramma te testen die ontworpen is om deze gekleurde stokfiguurvideo's te lezen. De onderzoeker gebruikte een publieke dataset met opnames van 160 kinderen, waarvan de helft de diagnose autisme had gekregen en de andere helft zich normaal ontwikkelde. De video's waren niet de ruwe beelden, maar de eerder genoemde vereenvoudigde, gekleurde skeletversies. Het doel was om te zien of een specifiek type kunstmatige intelligentie, die de auteur ChromaPose-MIL noemt, kon leren het onderscheid te maken tussen de twee groepen door simpelweg te kijken naar hoe de stokfiguren in de loop van de tijd bewogen. Dit systeem werd gebouwd om compact en efficiënt te zijn, in staat om te draaien op een standaard persoonlijke computer in plaats van het vereisen van enorme, dure supercomputers. Het kernidee was dat door de kleuren van de stokfiguren op te splitsen in specifieke kanalen en te volgen hoe deze veranderden, de computer verborgen aanwijzingen in de beweging kon vinden die een menselijk oog zou missen.
De studie trainde het computerprogramma vanaf nul met behulp van deze 160 kinderen, waarbij de gegevens in verschillende groepen werden verdeeld om ervoor te zorgen dat het systeem echte patronen leerde in plaats van alleen maar de antwoorden te memoriseren. Wanneer de onderzoekers het uiteindelijke systeem testten op kinderen die het nog nooit eerder had gezien, waren de resultaten bescheiden. Het programma identificeerde de groep waartoe een kind behoorde correct met een AUC van 0,56, wat slechts iets beter is dan een willekeurige gok. In termen van een standaardmaat voor nauwkeurigheid die wordt gebruikt in medische tests, scoorde het systeem 0,605, een cijfer dat tekortschiet voor wat nodig zou zijn voor een betrouwbaar klinisch instrument. De onderzoekers vergeleken hun nieuwe systeem ook met verschillende eenvoudigere methoden, waaronder één die alleen naar de statische lay-out van de videoframes keek en een andere die een andere, bekende vorm van beeldanalyse gebruikte. Verrassend genoeg presteerden sommige van deze eenvoudigere of alternatieve methoden net zo goed, of zelfs iets beter, dan het complexe nieuwe systeem. Dit suggereert dat de specifieke technische trucjes die in het nieuwe programma werden gebruikt, geen duidelijk voordeel boden ten opzichte van bestaande benaderingen.
Om te begrijpen waarom het systeem moeite had, voerden de onderzoekers een reeks experimenten uit waarbij ze verschillende onderdelen van het programma verwijderden of veranderden, zoals de manier waarop het met kleur omging of hoe het beweging in de loop van de tijd verwerkte. Geen van deze wijzigingen verbeterde de resultaten aanzienlijk. De studie onderzocht ook of het gebruik van vooraf getrainde computer vision-tools, die meestal erg goed zijn in het herkennen van objecten in foto's, kon helpen. Wanneer de onderzoekers deze tools gebruikten om kenmerken uit de video's te extraheren en vervolgens een eenvoudigere statistische methode toepasten, verbeterde de nauwkeurigheid tot ongeveer 67,5 procent. Omdat deze test echter werd uitgevoerd na het bekijken van de initiële resultaten en gebruikmaakte van dezelfde groep kinderen, waarschuwen de onderzoekers dat deze verbetering mogelijk niet standhoudt in een nieuwe, onafhankelijke test. De studie merkt expliciet op dat het systeem nog niet gebruikt kan worden om kinderen op autisme te screenen in een dokterspraktijk, aangezien de huidige prestaties niet sterk genoeg zijn om voor een diagnose te worden vertrouwd.
De bevindingen benadrukken een aanzienlijke kloof tussen wat technisch mogelijk is en wat momenteel bruikbaar is in de echte wereld. Het onderzoek bewijst dat het haalbaar is om een computer te trainen om deze privacyveilige skeletvideo's op een lokale machine te analyseren, maar het laat ook zien dat de huidige methoden nog niet goed genoeg zijn om kinderen met en zonder autisme betrouwbaar van elkaar te onderscheiden. De auteur wijst op verschillende redenen voor deze beperking, zoals het kleine aantal kinderen in de studie en het feit dat de video's vereenvoudigd waren van hun oorspronkelijke vorm, wat subtiele bewegingsdetails mogelijk heeft gewist. Ze waarschuwen ook dat de computer mogelijk de structuur van de test zelf of het gedrag van de examinator oppikt in plaats van de unieke bewegingshandtekening van het kind. Voordat deze technologie als screening kan worden beschouwd, moet deze worden getest op veel grotere groepen kinderen en in verschillende omgevingen om te garanderen dat het eerlijk en nauwkeurig werkt voor iedereen. Voor nu dient de studie als een zorgvuldige, eerlijke rapportage over de huidige stand van zaken, waarin zowel het potentieel als de beperkingen van het gebruik van computer vision om autisme via beweging te begrijpen, worden gedocumenteerd.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.