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

O Transtorno do Espectro Autista é uma condição que afeta a forma como as pessoas se conectam com os outros, comunicam-se e movimentam seus corpos. Como cada pessoa com autismo vivencia esses desafios de maneira diferente, os médicos não podem confiar em um único checklist para compreender o quadro completo. Em vez disso, eles buscam padrões específicos de comportamento, conhecidos como fenótipos, para determinar a gravidade dos sintomas de uma pessoa e para distinguir o autismo de outras condições do desenvolvimento que possam parecer semelhantes. Tradicionalmente, encontrar esses padrões exigia horas de observação por especialistas altamente treinados, que observam a interação de uma criança e, em seguida, pontuam manualmente seu comportamento. Esse processo é lento, caro e muitas vezes retardado pela escassez de especialistas, deixando muitas famílias esperando pelo auxílio de que precisam.

Uma nova abordagem está surgindo da interseção entre a medicina e a tecnologia, utilizando a visão computacional para observar e medir o comportamento automaticamente. Este campo trata a filmagem de vídeo não apenas como uma gravação, mas como uma fonte de dados que pode revelar movimentos sutis que o olho humano poderia perder. Ao analisar como uma criança se move, para onde ela olha e como ela imita os outros, os computadores podem começar a quantificar os próprios traços que os médicos utilizam para fazer diagnósticos. Uma revisão sistemática recente realizada por pesquisadores da Universidade do Catar explora o quão longe esta tecnologia chegou, examinando dezenas de estudos que tentam usar a análise de vídeo para compreender as nuances do autismo, desde a medição da gravidade dos sintomas até a distinção do transtorno de outras condições.

Os pesquisadores por trás desta revisão buscaram mapear o panorama atual da análise baseada em movimento para o autismo. Eles pesquisaram milhares de artigos científicos publicados desde 2010, procurando especificamente por estudos que utilizaram dados de vídeo para analisar o movimento. Após um rigoroso processo de triagem, eles restringiram o foco a trinta e dois estudos que atendiam a critérios estritos. Esses estudos dividiram-se em três categorias principais: aqueles que tentam graduar a gravidade do autismo, aqueles que tentam distinguir o autismo de outras condições, como o transtorno do déficit de atenção com hiperatividade, e aqueles que estão construindo novas ferramentas para capturar o comportamento em primeiro lugar. A revisão revela um campo que é repleto de promessas, mas que ainda luta com a falta de dados padronizados.

No que diz respeito à medição da gravidade, o objetivo é ir além de um simples diagnóstico de "sim ou não" e, em vez disso, determinar a intensidade dos sintomas de uma pessoa. Isso é crucial porque o nível de gravidade dita o tipo de terapia que uma criança recebe. A revisão descobriu que quinze dos estudos selecionados focaram nesta tarefa. Esses pesquisadores utilizaram algoritmos de computador para observar vídeos de crianças realizando atividades específicas, como imitar um robô, brincar com uma bola ou participar de um jogo social. Os computadores rastrearam os movimentos corporais das crianças, o olhar e as expressões faciais, comparando-os com pontuações clínicas que especialistas já haviam atribuído. Alguns desses estudos alcançaram alta precisão, com um modelo identificando corretamente os níveis de gravidade em quase 99 por cento dos casos ao analisar o movimento ocular e a rigidez facial. No entanto, a revisão também destacou um obstáculo significativo: a maioria desses modelos bem-sucedidos foi treinada em dados privados coletados em laboratórios específicos, tornando difícil para outros cientistas verificarem os resultados ou aplicarem as ferramentas em outros lugares.

O segundo grande desafio abordado na revisão é a dificuldade de distinguir o autismo de outros transtornos do neurodesenvolvimento. Crianças com autismo frequentemente compartilham traços comportamentais com crianças que possuem condições diferentes, como o transtorno do desenvolvimento da coordenação ou o transtorno do déficit de atenção com hiperatividade. O diagnóstico errado pode levar ao tipo errado de terapia, que pode não ajudar a criança. A revisão identificou apenas seis estudos que tentaram resolver este problema específico usando dados de movimento. Esses estudos buscaram diferenças sutis na forma como as crianças se moviam ou interagiam. Por exemplo, um estudo descobriu que, embora crianças com autismo e aquelas com transtorno do déficit de atenção com hiperatividade possam parecer semelhantes em muitos aspectos, seus movimentos oculares ao olhar para rostos mostravam padrões distintos. Outro estudo comparou a velocidade e a precisão dos movimentos das mãos em crianças com autismo contra aquelas com doença de Parkinson, encontrando diferenças claras no controle de suas ações. Apesar desses achados promissores, a revisão observou que muito poucos estudos abordaram este problema, e quase todos dependeram de conjuntos de dados pequenos e privados, deixando o campo sem um padrão compartilhado para comparação.

Além da classificação, o terceiro grupo de estudos focou na construção da infraestrutura necessária para fazer esta tecnologia funcionar. Os pesquisadores descobriram que muitos conjuntos de dados existentes são pequenos demais ou carecem dos rótulos clínicos detalhados necessários para treinar modelos computacionais poderosos. Para resolver isso, várias equipes desenvolveram novas ferramentas para coletar o comportamento em ambientes mais naturais. Algumas criaram aplicativos móveis que permitem aos pais gravarem seus filhos em casa, capturando comportamentos espontâneos que podem não aparecer em um consultório clínico. Outras construíram sistemas que podem rastrear automaticamente o olhar ou a postura de uma criança durante as sessões de terapia, transformando horas de vídeo em medições precisas de movimento. Essas ferramentas são essenciais porque fornecem a matéria-prima — os dados — dos quais os modelos futuros, mais avançados, precisarão aprender.

A revisão conclui que, embora a visão computacional ofereça uma maneira poderosa de tornar a avaliação do autismo mais rápida e objetiva, o campo ainda não está pronto para o uso clínico generalizado. A maior barreira é a falta de grandes conjuntos de dados públicos que incluam tanto filmagens de vídeo quanto pontuações clínicas verificadas. Sem esses recursos compartilhados, é difícil saber se uma nova ferramenta é verdadeiramente eficaz ou se ela funciona apenas no laboratório específico onde foi criada. Além disso, a maioria dos estudos focou simplesmente em distinguir o autismo do desenvolvimento típico, deixando tarefas mais complexas, como graduar a gravidade e diferenciar entre transtornos, menos exploradas. Os autores sugerem que o progresso futuro depende da criação de parâmetros padronizados e da coleta de dados mais diversos que reflitam a ampla gama de experiências dentro da comunidade autista. Até que esses passos sejam tomados, a tecnologia permanece uma ferramenta promissora, porém incompleta, aguardando os dados de que precisa para realmente ajudar clínicos e famílias.