Глубокое обучение выявляет невидимые двигательные признаки нейроотличия

Учёные представили в журнале Scientific Reports инструмент для диагностики аутизма и синдрома дефицита внимания, способный заметно ускорить и упростить определение этих состояний. Вместо традиционных долгих опросов и наблюдений команда использовала искусственный интеллект, анализируя мельчайшие движения кисти человека при простых заданиях. Система на основе сенсоров и технологий глубокого обучения определяет предрасположенность к аутизму, признакам гиперактивности или обоим расстройствам одновременно — быстро и объективно.

Аутизм и синдром дефицита внимания (с гиперактивностью и без) — нейроразвивающие состояния, то есть связанные с работой и формированием мозга. У людей с аутизмом чаще встречаются затруднения в общении и повторяющееся поведение. Для синдрома дефицита внимания характерны импульсивность, сложности с концентрацией и удерживанием внимания. Не удивительно, что оба состояния могут сочетаться у одного человека — до 70% людей с аутизмом испытывают проблемы с вниманием.

Однако поставить диагноз непросто: анализ может затянуться на месяцы из-за нехватки специалистов и необходимости комплексных тестов. Группа Хорхе Хосе решила взять за отправную точку самую базовую функцию — движение руки при простом захвате объекта. Мельчайшие особенности таких движений содержат массу информации о работе головного мозга.

Исследователи отметили, что дети с аутизмом и проблемами внимания ещё в раннем возрасте отличаются моторным планированием. Авторы предположили: если подключить к задаче высокоточные сенсоры и машинное обучение — получится выявить уникальные «моторные почерки» разных состояний.

По словам профессора физики Индианского университета Хорхе Хосе, его команда до этого занималась сходными процедурами с обезьянами, изучая сенсорные реакции мозга. Современное исследование повторяет прежние методики: участники должны были несколько десятков раз дотронуться до мишени на экране, каждый раз повторяя одно и то же элементарное движение. Движения доминирующей руки фиксировались с высокой точностью — с применением сенсорной перчатки, записывающей процесс на миллисекундном уровне.

Всего приняли участие 92 человека (дети и молодёжь): с аутизмом, с проблемами внимания, одновременно с обоими состояниями, а также контрольная группа. 17 волонтёров исключили на этапе анализа из-за особенностей выполнения задания или технических сбоев.

Сначала исследователи «скармливали» сырые данные о движениях нейросети с «длинной краткосрочной памятью» (Long Short-Term Memory, LSTM) — вид модели ИИ, предназначенный для работы со сложными, последовательными данными. Обучив сеть на тысячах попыток, они достигли точности около 70% в определении класса состояния — при использовании разных параметров (угол, скорость и ускорение движения).

Особенно хорошо модель справилась с отличием здоровых людей от остальных (AUC до 0,95), а вот отделить аутизм от синдрома дефицита внимания оказалось сложнее — что и без ИИ остаётся непростой задачей.

Для более глубокого понимания различий учёные оценили структуру случайности в движениях, используя факторы Фано (измеряют разброс относительно среднего значения) и энтропию Шеннона (характеризует степень хаотичности сигнала). Чем выше «случайность» движений, тем тяжелее проявления расстройств, — подтвердили авторы согласно оценкам клиницистов.

Участники с двумя диагнозами демонстрировали средние показатели разброса, располагаясь между аутичными и обычными людьми, а у тех, для кого аутизм выражен острее, двигательные паттерны были наиболее своеобразны. Показатели сохраняли стабильность на протяжении исследования, а значимой разницы между десятками проведённых попыток не оказалось. То есть, для достоверной предварительной диагностики хватит всего 30-60 измерений, что делает метод практически пригодным для массового применения.

Авторы признают: выборка, хоть и больше многих ранних работ, всё равно остаётся ограниченной, особенно группа только с синдромом дефицита внимания, — что влияет на универсальность вывода. Не учитывались и лекарства, которые могли бы сказаться на движения.

Тем не менее, исследование доказывает: простые, недорогие сенсоры и мощная нейросеть способны открыть новые горизонты в раннем выявлении нейроотличий. Особенно актуально это может быть для регионов с дефицитом специалистов. В идеале метод, считают учёные, поможет контролировать динамику состояния, отслеживать влияние терапии или возрастные изменения.

Хорхе Хосе подчёркивает: новая технология — не замена врачам и классической диагностике, а дополнительный инструмент для комплексной оценки.

Авторы работы: Khoshrav P. Doctor, Chaundy McKeever, Di Wu, Aditya Phadnis, Martin H. Plawecki, John I. Nurnberger Jr., Jorge V. José.