Как искусственный интеллект шутит с аутизмом: учимся хватать правильно!

Новое исследование: Искусственный интеллект может выявлять аутизм по малозаметным паттернам движений рук. По данным нового исследования, опубликованного в журнале «Исследования аутизма», тонкие различия в том, как люди хватают повседневные предметы, могут помочь в идентификации аутизма. Исследователи проанализировали мелкие моторные движения молодых людей во время простой задачи по схватыванию объектов и смогли отличить аутистов от неаутистов с точностью более 84%, используя методы машинного обучения. Эти результаты предполагают, что небольшие вариации в моторном контроле могут служить надежными индикаторами аутизма, открывая путь для неинвазивных диагностических инструментов, основанных на естественном поведении.

Аутизм — это нейроразвивающее состояние, характеризующееся трудностями в социальной коммуникации и повторяющимся поведением. Однако различия в движениях, часто именуемые моторными аномалиями, также распространены и могут проявляться в младенчестве, задолго до того, как основные социальные симптомы становятся очевидными. Предыдущие исследования показали, что многие аутистичные люди демонстрируют измененную координацию, неуклюжесть или непостоянные паттерны движений. Эти моторные проблемы теперь признаются не просто вторичными симптомами; они могут отражать основные различия в том, как аутистичные мозги обрабатывают сенсорную и моторную информацию.

В связи с этим исследователи начали изучать, могут ли определенные моторные паттерны помочь в выявлении аутизма. В частности, движения «до схвата» — это одни из самых базовых и частых действий, которые люди выполняют — предлагают окно в мир моторного планирования и контроля.

Предыдущие исследования показали, что аутистичные люди показывают характерные паттерны во время этих действий, такие как более медленная скорость движения или задержки в формировании руки. Тем не менее, большинство исследований использовали искусственные задачи или измеряли ограниченный набор характеристик движений. Это новое исследование стремилось проверить, может ли естественная задача по захвату объектов, с использованием минимального оборудования, предоставить достаточно информации для надежной классификации участников на основе диагноза аутизма.

«Мое исследование сосредоточено на том, как визуальная система извлекает информацию, чтобы помочь нам распознавать и взаимодействовать с объектами в мире», — заявил автор исследования Эрез Фрейд, доцент и председатель исследовательской группы по визуальной когнитивной нейронауке в Центре зрительных исследований при Университете Йорка.

«В последние годы моя лаборатория все больше фокусируется на том, как эти способности — восприятие и действие — развиваются на протяжении жизни и как они могут быть изменены в случаях атипичного развития, таких как аутизм. Мы считаем, что, лучше понимая конкретные перцептивные и моторные проблемы, с которыми сталкиваются аутистичные люди, мы можем разрабатывать ранние, объективные диагностические инструменты. Эти инструменты могут существенно улучшить поддержку и интервенции для аутистичных людей и их семей.»

Исследователи набрали 59 молодых людей — 31 аутиста и 28 неаутистов, сопоставленных по возрасту и IQ. Каждого участника попросили схватить ряд прямоугольных объектов различной длины, используя только большой и указательный пальцы. Движения были записаны с помощью системы отслеживания движений, которая контролировала трехмерные позиции пальцев во время каждого захвата. Использовались только два пассивных маркера — один на большом пальце и один на указательном. Такой минималистичный подход обеспечил более практичный и доступный метод по сравнению с ранее проведенными исследованиями, которые использовали полное захватывающее движение или сложное оборудование.

Каждый участник завершил 120 испытаний захвата. Из записанных данных исследователи извлекли более дюжины кинематических характеристик, таких как максимальное расстояние между пальцами во время захвата, скорость движения пальцев, продолжительность движения и траектория пальцев в пространстве. Эти характеристики охватывали ключевые аспекты управления рукой мозгом во время взаимодействия с объектами.

Чтобы исследовать, могут ли эти характеристики предсказать аутизм, исследователи обучили пять типов моделей машинного обучения, включая логистическую регрессию, машины опорных векторов и ансамбли решающих деревьев. Важно, что модели обучались и тестировались с использованием подхода «оставить одного участника вне». Это означает, что алгоритм учился на всех, кроме одного участника, а затем пытался предсказать, является ли оставшийся участник аутистичным. Этот процесс повторялся до тех пор, пока каждый участник не был оставлен один раз. Этот метод обеспечивает, что результаты не подгоняются под данные отдельного индивида и могут быть обобщены на людей в целом.

Все пять моделей показали точность классификации аутистов и неаутистов более 84%, при этом некоторые модели достигли 89%. Эти результаты оставались высокими даже при оценке результатов по отдельным испытаниям, а не только по средним показателям по участникам. Кроме того, модели достигли значения площади под кривой (AUC) более 0,95 на уровне участника, что означает отличные способности к различению.

«Основной вывод заключается в том, что то, как мы двигаемся — особенно то, как мы координируем зрение и действия — может предложить важные подсказки о том, как работает мозг», — сказал Фрейд. «У аутистов мы видим характерные визуально-моторные паттерны, которые могут быть использованы в качестве диагностических маркеров, особенно при анализе с использованием вычислительных методов. Эти тонкие поведенческие отличия часто упускаются из виду, но они могут обладать критической информацией о функционировании мозга.»

Интересно, что исследователи также протестировали, могут ли меньшее количество характеристик все еще давать хорошие результаты. Они создали меньшие модели, использующие всего восемь кинематических переменных, которые не были сильно взаимосвязаны друг с другом. Даже с этой сокращенной выборкой, точность классификации оставалась высокой — выше 82%. Эти характеристики охватывали различные области, включая временные параметры (например, когда пальцы достигали максимального разделения), скорость (как быстро двигалась рука) и пространственное положение (где пальцы перемещались в пространстве). Это открытие предполагает, что двигательные различия, связанные с аутизмом, распространены по нескольким аспектам поведения при захвате, и одна единственная характеристика не объясняет все.

Напротив, когда исследователи выбирали характеристики, которые были сильно взаимосвязаны друг с другом — часто те, которые обычно используются в исследованиях моторного контроля — модели работали хуже. Это подчеркивает важность выбора характеристик, которые учитывают отдельные размеры движения, когда используется машинное обучение для классификации.

Исследование также повторило некоторые известные различия между аутистичными и неаутистичными индивидами на уровне группы. Аутистичные участники показали более длительное время движения, то есть они потратили больше времени на схватывание объекта. Они также проявили слегка различное время открытия и закрытия пальцев во время движения, особенно когда размер объекта варьировался. Однако эти сравнительные характеристики на уровне группы, хотя и информативные, оказались менее надежными для различения отдельных участников, чем модели машинного обучения.

«Предыдущие исследования задокументировали различия в том, как аутистичные индивиды двигаются и хватают объекты», — отметил Фрейд. «Наши результаты расширяют эту работу, показывая, что эти различия не являются просто наличествующими, но измеряемыми в последовательной и структурированной манере — даже во время естественных, реальных задач.»

Исследователи подчеркивают, что сила их подхода заключается в его простоте. Используя только два маркера и простую задачу по захвату, они продемонстрировали, что связанные с аутизмом моторные различия могут быть обнаружены в естественной, ненавязчивой обстановке. В отличие от исследований, которые полагаются на сканирование мозга, сложные диагностические собеседования или искусственные задачи, этот метод можно легко адаптировать для использования в клиниках или школах. Он также может помочь выявить аутистичных людей, которые не соответствуют традиционным диагностическим критериям, но все же испытывают трудности с моторным контролем.

Но у исследования есть и некоторые ограничения. Выборка состояла только из молодых людей с нормальным уровнем IQ. Неясно, будут ли те же методы так же эффективны у детей, которые являются основной целевой аудиторией для ранней диагностики. Кроме того, хотя модели хорошо работали, различая аутистов и неаутистов, они не пытались классифицировать подгруппы аутизма или прогнозировать степень выраженности симптомов. Будущие исследования могут расширить этот подход на более молодую аудиторию или исследовать, коррелируют ли паттерны захвата с другими характеристиками, такими как сенсорные чувствительности или социальные поведения.

«Это исследование сосредоточено исключительно на взрослых», — отметил Фрейд. «Мы выбрали этот подход, чтобы исключить возможность того, что любые наблюдаемые отличия были просто следствием задержанного развития. Однако для полноценной оценки диагностического потенциала этих результатов будущая работа должна исследовать более молодые популяции. Кроме того, мы изучаем, являются ли эти визуомоторные подписи специфичными для аутизма или могут ли они помочь различить различные нейроразвивающиеся состояния.»

«Наша долгосрочная цель — понять, как визуомоторные поведения развиваются на протяжении жизни как в типичном, так и в атипичном развитии. Объединив вычислительные инструменты с поведенческими данными, мы надеемся выявить надежные маркеры функционирования и дисфункции мозга. В конечном итоге это может привести к созданию простых, доступных диагностических инструментов, основанных на повседневных движениях.»

«Это исследование стало результатом совместных усилий», — добавил Фрейд. «Оно не было бы возможным без преданности и проницательности моего аспиранта Зохи Ахмад, а также моих коллег профессора Бат-Шевы Хадад из Хайфского университета и профессора Эйтана Шелефа из Питтсбургского университета. Научный прогресс глубоко коллаборативен, и этот проект является прекрасным примером этого.»

Исследование «Эффективная классификация аутизма через кинематику захвата» написано Эрезом Фрейдом, Зохой Ахмад, Эйтаном Шелефом и Бат-Шевой Хадад.