Enfoques de aprendizaje profundo para clasificar niños con y sin trastorno del espectro autista utilizando datos de...

Área de la Ciencia:

• Neurociencia
• Aprendizaje automático
• Pediatría del desarrollo

Sus antecedentes:

• El diagnóstico del trastorno del espectro autista (TEA) se basa en evaluaciones conductuales, careciendo de métodos objetivos.
• Los niños con TEA a menudo presentan diferencias en el control motor, y entre el 50% y el 88% muestran problemas de movimiento.
• Se necesitan herramientas de diagnóstico objetivas para mejorar la identificación e intervención del TEA.

Objetivo del estudio:

• Evaluar modelos de aprendizaje profundo para la clasificación del TEA utilizando datos de seguimiento de manos.
• Explorar el potencial de los datos de la unidad de medición inercial (IMU) para la evaluación objetiva del TEA.
• Identificar diferencias de movimiento indicativas de TEA en niños.

Principales métodos:

• Se recopilaron datos de seguimiento de manos de IMU de 41 niños durante una tarea de movimiento del brazo dirigida a un objetivo.
• Se preprocesaron los datos de IMU utilizando promedio móvil y normalización de puntuación z.
• Se aplicaron y validaron varios modelos de aprendizaje profundo, incluidos autocodificadores convolucionales y LSTM, utilizando enfoques de k-fold y separados por pacientes.

Principales resultados:

• Un autocodificador convolucional combinado con capas LSTM logró una precisión del 90,21% y una puntuación F1 del 90,02%.
• El mejor modelo, reentrenado en un conjunto de datos separado por pacientes, demostró generalización con una precisión del 91,87% y una puntuación F1 del 93,66%.
• Se identificaron diferencias significativas en los movimientos físicos entre niños con desarrollo típico y aquellos con TEA.

Conclusiones:

• Los modelos de aprendizaje profundo que analizan datos de movimiento muestran potencial para facilitar el diagnóstico del TEA.
• El análisis de la coordinación mano-ojo puede identificar diferencias de movimiento asociadas con el TEA.
• Los modelos a pequeña escala pueden lograr alta precisión y generalización para la clasificación de datos médicos, lo que permite futuras investigaciones.