Come il sistema AI sviluppato dai ricercatori in Corea del Sud può aiutare a prevedere la gravità dell'ASD

I ricercatori della Facoltà di Medicina dell'Università Yonsei (YUCM) hanno sviluppato con successo un modello basato sull'apprendimento profondo (deep learning) in grado di diagnosticare il Disturbo dello Spettro Autistico (ASD) e determinarne la gravità. Concentrandosi sui comportamenti di attenzione congiunta, il team si è proposto di fornire una misura oggettiva e quantitativa dell'ASD, affrontando l'attuale affidamento su valutazioni cliniche soggettive. I loro risultati hanno il potenziale per migliorare l'accuratezza diagnostica e assistere nello sviluppo di strumenti di screening precisi per l'ASD e altri disturbi neurologici.

L'Università Yonsei, situata in Corea del Sud, offre quasi 1,000 corsi insegnati in inglese e molti di essi sono aperti agli studenti CIEE di tutti i dipartimenti, eccetto medicina, infermieristica, giurisprudenza, musica e corsi presso il remoto Campus Internazionale di Songdo. Molti studenti internazionali scelgono di studiare medicina in Corea con il desiderio di affinare le proprie competenze e sviluppare carriere. Tuttavia, non è facile studiare in Corea, quindi è necessaria una precedente preparazione accademica.

Valutazione oggettiva dell'attenzione congiunta

Disturbo dello spettro autistico (ASD) è un disturbo neurologico e dello sviluppo che influisce su come le persone interagiscono con gli altri, comunicano, apprendono e si comportano. Sebbene l'autismo possa essere diagnosticato a qualsiasi età, è descritto come un "disturbo dello sviluppo" perché i sintomi generalmente compaiono nei primi 2 anni di vita. Gli scienziati credono che esistano molteplici cause dell'ASD che agiscono insieme per modificare i modi più comuni di sviluppo delle persone.

L'attenzione congiunta, che coinvolge comportamenti come il contatto visivo, la rotazione della testa e lo spostamento dello sguardo durante le interazioni sociali, è un marcatore comportamentale critico per la diagnosi dell'ASD. Tuttavia, la mancanza di una misura oggettiva e quantitativa per l'attenzione congiunta ha posto sfide alla diagnosi accurata. Per affrontare questo problema, la docente Ko Chan-young e la professoressa Park Yu-rang del Dipartimento di Informatica dei Sistemi Biomedici della YUCM hanno sviluppato un protocollo per valutare oggettivamente i comportamenti di attenzione congiunta.

Raccolta dati e modello di apprendimento profondo

I ricercatori hanno registrato video di comportamenti di attenzione congiunta da 95 bambini, inclusi 45 con ASD e 50 senza sintomi di ASD, di età compresa tra 24 e 72 mesi. Questi video comprendevano tre tipi di attenzione congiunta: inizio dell'attenzione congiunta (IJA), risposta di basso livello all'attenzione congiunta (RJAlow) e risposta di alto livello all'attenzione congiunta (RJAhigh). Utilizzando questo set di dati, il team ha addestrato un modello di apprendimento profondo per distinguere i bambini con ASD da quelli senza e prevedere la gravità dell'ASD.

I ricercatori hanno valutato le prestazioni del modello utilizzando diversi indicatori, tra cui l'area sotto la curva ROC (AUROC), l'accuratezza, la precisione e il recall. L'AUROC misura l'accuratezza diagnostica di un test, mentre l'accuratezza rappresenta la percentuale di previsioni corrette nel set di dati. La precisione valuta la probabilità di identificare correttamente gli individui con un risultato del test positivo, mentre il recall determina la probabilità di identificare correttamente gli individui affetti dalla condizione.

Risultati impressionanti e valutazione della gravità

Il modello di apprendimento profondo ha ottenuto prestazioni eccezionali in tutti e tre i tipi di comportamenti di attenzione congiunta. Analizzando i video IJA come input, il modello ha dimostrato un'AUROC del 99,6%, un'accuratezza del 97,6%, una precisione del 95,5% e un recall del 99,2%. Le prestazioni del modello sono rimaste coerenti quando si analizzavano gli altri due tipi di comportamenti di attenzione congiunta. 

Per quanto riguarda la valutazione della gravità, che categorizza la gravità dell'ASD in assenza di sintomi, lieve-moderata e grave, il modello ha raggiunto un'AUROC del 90,3%, un'accuratezza dell'84,8%, una precisione del 76,2% e un recall dell'84,8% quando si analizzavano i video IJA.

Significato e implicazioni future

I risultati suggeriscono che l'IJA è una classificazione più precisa che riflette il desiderio e l'intenzionalità dei bambini per l'interazione sociale rispetto ad altri comportamenti di attenzione congiunta. La professoressa Park ha sottolineato l'importanza della loro ricerca, affermando che il modello sviluppato consente la digitalizzazione oggettiva degli indicatori comportamentali dei bambini per identificare l'ASD e valutare la gravità dei sintomi. I risultati hanno implicazioni per lo sviluppo di strumenti di screening e metodi diagnostici precisi per l'ASD e altri disturbi neurologici con complessità comportamentali.

I ricercatori dell'Università Yonsei hanno fatto progressi significativi nell'analisi della gravità dell'ASD sviluppando un modello basato sull'apprendimento profondo. La loro valutazione oggettiva dei comportamenti di attenzione congiunta offre un approccio più accurato e quantitativo per diagnosticare l'ASD e prevederne la gravità. Questo risultato promette di aiutare la ricerca e la valutazione clinica, assistendo nello sviluppo di strumenti di screening e metodi diagnostici per l'ASD e altri disturbi neurologici con sfide comportamentali simili. I risultati pubblicati su JAMA Network Open contribuiscono ad avanzare la comprensione e la gestione dell'ASD.

Nota: L'immagine in evidenza è di Iris, un bambino con autismo che si è espressa attraverso la pittura. I suoi genitori vendono le sue opere d'arte per raccogliere fondi per la sua terapia privata e le sue opere. Grace ha anche Facebook pagina gestito dai genitori chiamati “@IrisGracePainting”. Ha venduto diverse opere d'arte nel Regno Unito e in tutto il mondo.