Wie das KI-System von Forschenden in Südkorea dabei helfen kann, die Schwere von ASD vorherzusagen

Forschende der Fakultät für Medizin der Yonsei University (YUCM) haben erfolgreich ein auf Deep Learning basierendes Modell entwickelt, das in der Lage ist, Autismus-Spektrum-Störungen (ASD) zu diagnostizieren und deren Schweregrad zu bestimmen. Durch den Fokus auf gemeinsames Aufmerksamkeitsverhalten (Joint Attention) zielte das Team darauf ab, ein objektives und quantitatives Maß für ASD zu liefern und so der aktuellen Abhängigkeit von subjektiven klinischen Bewertungen entgegenzuwirken. Ihre Ergebnisse haben das Potenzial, die diagnostische Genauigkeit zu verbessern und bei der Entwicklung präziser Screening-Tools für ASD und andere neurologische Störungen zu helfen.

Die Yonsei University in Südkorea bietet nahezu 1,000 Kurse die auf Englisch unterrichtet werden, und viele davon stehen CIEE-Studenten in allen Abteilungen außer Medizin, Pflege, Recht, Musik und Kursen am entfernten International Songdo Campus offen. Viele internationale Studierende wählen ein Medizinstudium in Korea, um mehr Fähigkeiten zu erlernen und Karrieren aufzubauen. Das Studium in Korea ist jedoch nicht einfach, daher benötigen Sie eine vorherige akademische Vorbereitung.

Objektive Bewertung des gemeinsamen Aufmerksamkeitsverhaltens

Autismus-Spektrum-Störung (ASD) ist eine neurologische und entwicklungsbedingte Störung, die beeinflusst, wie Menschen mit anderen interagieren, kommunizieren, lernen und sich verhalten. Obwohl Autismus in jedem Alter diagnostiziert werden kann, wird er als „Entwicklungsstörung“ beschrieben, da die Symptome in der Regel in den ersten zwei Lebensjahren auftreten. Wissenschaftler glauben, dass es mehrere Ursachen für ASD gibt, die zusammenwirken, um die häufigsten Entwicklungswege von Menschen zu verändern.

Gemeinsames Aufmerksamkeitsverhalten (Joint Attention), das Verhaltensweisen wie Augenkontakt, Kopfdrehen und Blickwechsel während sozialer Interaktionen umfasst, ist ein kritischer Verhaltensmarker für die Diagnose von ASD. Der Mangel an einem objektiven, quantitativen Maß für das gemeinsame Aufmerksamkeitsverhalten hat jedoch Herausforderungen für eine genaue Diagnose dargestellt. Um dies zu adressieren, entwickelten Dozent Ko Chan-young und Professorin Park Yu-rang von der Abteilung für Biomedizinische Systeminformatik der YUCM ein Protokoll zur objektiven Bewertung von Joint-Attention-Verhalten.

Datenerfassung und Deep-Learning-Modell

Die Forschenden zeichneten Videos von Joint-Attention-Verhalten bei 95 Kindern auf, darunter 45 mit ASD und 50 ohne ASD-Symptome, im Alter von 24 bis 72 Monaten. Diese Videos umfassten drei Arten von Joint Attention: Initiierung von Joint Attention (IJA), niedrigstufige Reaktion auf Joint Attention (RJAlow) und hochstufige Reaktion auf Joint Attention (RJAhigh). Mit diesem Datensatz trainierte das Team ein Deep-Learning-Modell, um Kinder mit ASD von solchen ohne zu unterscheiden und den Schweregrad von ASD vorherzusagen.

Die Forschenden bewerteten die Leistung des Modells anhand mehrerer Indikatoren, darunter die Fläche unter der Receiver Operating Characteristic Curve (AUROC), Genauigkeit (Accuracy), Präzision (Precision) und Recall (Sensitivität). Die AUROC misst die diagnostische Genauigkeit eines Tests, während die Accuracy den Prozentsatz der korrekten Vorhersagen im Datensatz darstellt. Die Präzision bewertet die Wahrscheinlichkeit, Personen mit einem positiven Testergebnis korrekt zu identifizieren, während der Recall die Wahrscheinlichkeit bestimmt, Personen mit der Erkrankung korrekt zu identifizieren.

Beeindruckende Ergebnisse und Schweregradbewertung

Das Deep-Learning-Modell erzielte außergewöhnliche Leistungen bei allen drei Arten von Joint-Attention-Verhalten. Bei der Analyse von IJA-Videos als Eingabe zeigte das Modell eine AUROC von 99,6 %, eine Accuracy von 97,6 %, eine Precision von 95,5 % und einen Recall von 99,2 %. Die Leistung des Modells blieb konsistent, als die anderen beiden Arten von Joint-Attention-Verhalten analysiert wurden. 

Was die Schweregradbewertung betrifft, die den Schweregrad von ASD in keine Symptome, leicht-mäßig und schwer kategorisiert, erreichte das Modell bei der Analyse von IJA-Videos eine AUROC von 90,3 %, eine Accuracy von 84,8 %, eine Precision von 76,2 % und einen Recall von 84,8 %.

Bedeutung und zukünftige Implikationen

Die Ergebnisse deuten darauf hin, dass IJA eine präzisere Klassifizierung ist, die den Wunsch und die Intentionalität von Kindern für soziale Interaktion im Vergleich zu anderen Joint-Attention-Verhalten widerspiegelt. Professorin Park hob die Bedeutung ihrer Forschung hervor und erklärte, dass das entwickelte Modell die objektive Digitalisierung von Verhaltensindikatoren von Kindern ermöglicht, um ASD zu identifizieren und den Schweregrad der Symptome zu bewerten. Die Ergebnisse haben Implikationen für die Entwicklung von Screening-Tools und präzisen Diagnosemethoden für ASD und andere neurologische Störungen mit Verhaltenskomplexitäten.

Forschende der Yonsei University haben bedeutende Fortschritte in der Analyse des ASD-Schweregrads gemacht, indem sie ein auf Deep Learning basierendes Modell entwickelten. Ihre objektive Bewertung von Joint-Attention-Verhalten bietet einen genaueren und quantitativen Ansatz zur Diagnose von ASD und zur Vorhersage seines Schweregrads. Dieser Durchbruch hat das Potenzial, die Forschung und klinische Bewertungen zu unterstützen und bei der Entwicklung von Screening-Tools und Diagnosemethoden für ASD und andere neurologische Störungen mit ähnlichen Verhaltensherausforderungen zu helfen. Die in JAMA Network Open veröffentlichten Erkenntnisse tragen dazu bei, das Verständnis und die Bewältigung von ASD voranzutreiben.

Hinweis: Das Titelfoto stammt von Iris, einem Kind mit Autismus, das sich durch Malerei ausdrückte. Ihre Eltern verkaufen ihre Kunstwerke, um Geld für ihre private Therapie und Kunstwerke zu sammeln. Grace hat auch Facebook Seite , das von den Eltern verwaltet wird: „@IrisGracePainting“. Sie hat mehrere Kunstwerke im Vereinigten Königreich und weltweit verkauft.