AI облегчит выявление аутизма

1. драгоценное время
2. сила данных
3. сложность диагностики
4. Цель и критика

Машинное обучение ускорит скрининг, но может пропустить некоторые нюансы, которые заметят только клиницисты. Кому доверять диагностику аутизма?

драгоценное время

Сын Мартина Стинера (Martin Styner) было 6, когда клиницисты диагностировали у него аутизм. В прошлом году воспитатель детского сада заметил у него определенные поведенческие признаки. Например, маленький парень погружается в книги настолько, что изолируется от окружающей среды. Но только тогда, когда Макс начал игнорировать своего учителя, его родители решили обратиться за помощью к детскому психологу.

Макс имеет легкий степень расстройства аутистического спектра. Тем не менее, Стинер, доцент кафедры психиатрии и информатики Университета Северной Каролины в Чапел-Хилл, задавался вопросом, он не обманывал сам себя, не замечая признаков ранее. В конце концов, Стинер изучал аутизм в течение значительной части своей медицинской карьеры.

Учитывая, насколько сложным и разнообразным является аутизм, неудивительно, что даже эксперты, такие как Стинер, не всегда распознают это сразу. И даже когда они замечают признаки, постановка диагноза требует времени: семьи иногда должны посещать ближайшую специализированную клинику для нескольких личных встреч. Не все имеют легкий доступ к этим клиник, и иногда люди ждут такую ​​консультацию достаточно долго.

Эта реальность привела к пробелам в определении: хотя точный диагноз можно поставить уже в возрасте 2 лет, средний возраст диагностирования аутизма в США составляет 4 И все же, чем раньше вы получаете диагноз, тем лучше результат. Некоторые исследователи считают, что задержки диагностики аутизма могут уменьшиться с развитием машинного обучения - технологии, разработанной в рамках исследования искусственного интеллекта. В частности, они надеются на последнюю версию машинного обучения, известную как глубинное обучения.

«- Машино обучение всегда было частью этой сферы, - говорит Стинер, - но методы никогда не были достаточно надежными, чтобы клинический влияние; ситуация изменилась с развитием глубинного обучения ».

Преимущество глубинного обучения возникает вследствие выявления неявных паттернов среди комбинаций особенностей, которые могут казаться неактуальными или неочевидными для человеческого глаза. Это означает, что такая программа хорошо подходит для понимания неоднородной природы аутизма. Там, где человеческая интуиция и статистический анализ могут искать одну, возможно, несуществующую черту, которая последовательно отличает всех детей с аутизмом от тех, кто его не имеет, алгоритмы глубинного обучение ищут на кластеры различий. Но эти алгоритмы в значительной степени зависят от введенных человеком данных. Чтобы научиться новым задачам, системы «тренируются» на наборах данных, которые обычно включают сотни или тысячи «правильных» и «неправильных» примеров - скажем, ребенок, улыбается или не улыбается - вручную маркируется людьми. Благодаря интенсивному обучению, программы глубинного обучение в других областях в конце концов достигли уровня экспертов по точности. В некоторых случаях они даже демонстрируют лучшие результаты.

«- Я думаю, что эти методы станут надежными, количественными, масштабируемыми, и также они просто выявлять новые модели и информацию об аутизме, о которых мы просто не знали раньше», - рассказывает Джеральдин Доусон (Geraldine Dawson), профессор психиатрии и поведенческих наук в Университете Дьюка в Дареме, штат Северная Каролина.

По ее словам, машинное обучение не только поможет клиницистам анализировать детей, но также давать советы по лечению.

сила данных

Однако, не все настроены так оптимистично относительно этого подхода. Многие специалисты отмечают, что существуют технические и этические препятствия, которые вряд ли можно преодолеть благодаря этим инструментам в ближайшее время. Шкикант Нараянан (Shrikanth Narayanan), профессор электротехники и информатики в Университете Южной Калифорнии в Лос-Анджелесе, считает, что глубокое обучение и машинное обучение в более широком смысле - это не «волшебная палочка». Когда речь идет о диагностике и возможную ошибку компьютера, невозможно не сказать, что существуют «серьезные последствия» для детей с аутизмом и их семей. Но он разделяет оптимизм многих коллег из области о том, что эта методика может объединить исследования аутизма в генетике, изображении мозга и клинических наблюдениях.

Для точного прогнозирования алгоритмы машинного обучения требуют большого количества учебных данных. Это требование является серьезной проблемой в исследованиях аутизма, поскольку большинство данных, касающихся диагнозов, получают благодаря кропотливым и, соответственно, лимитированным клиническим наблюдением. Некоторые исследователи начинают строить большие наборы данных, используя мобильные устройства с камерами или носители датчиков для отслеживания поведения и физиологических сигналов, таких как движения конечности и взгляд.

В 2016 году в рамках европейского проекта de-enigma было начато создание первой свободно доступной крупномасштабной базы данных, основанной на поведении 62 британских и 66 сербских детей с аутизмом. К этому времени этот набор данных включает в себя 152 часов видео-взаимодействия между детьми и взрослыми или работами.

«- Одной из основных целей проекта является создание базы данных, на которой вы можете тренировать машинное обучение распознавать эмоции и их высказывания», - рассказывает Дже Шэнь (Jie Shen), ученый, занимающийся компьютерами в Имперском колледже Лондона и является специалистом по машинного обучения в выше упомянутом проекте.

Команда Доусон в Дьюци также собирает видеоролики о детях с аутизмом с помощью мобильного приложения, разработанного для проекта под названием Autism and Beyond. Во время первого года исследований в 2017 в проекте участвовали более 1700 семей, которые скачали около 4500 видеороликов о своих детях.

«За год мы получили такое количество данных, которые эксперты собирают в течение всей жизни», - делится Гильермо Сапиро (Guillermo Sapiro), профессор из электрической и компьютерной инженерии в Дьюци.

Группа также тренирует алгоритм глубинного обучения для интерпретации действий в видеоклипах и выявления конкретного поведения - Доусон называет это «цифровым фенотипирования». На заседании Международного общества по исследованиям аутизма Доусон представила результаты исследования 104 детей ясельного возраста, в том числе 22 ребенка с аутизмом, которые просматривали серию видео на планшете. Камера планшета записала выражения лица ребенка и движения головы. Алгоритм ловит 2-секундную задержку в реакции детей, имеющих аутизм, когда кто-то называет их имя. Клиницисты могли легко пропустить эту почти незаметную задержку - красный флаг для этого заболевания.

Одна из оговорок относительно такого подхода заключается в том, что сбор данных вне структурированными пределами лаборатории или лекарственным кабинетом может быть беспорядочным. Сапиро говорит, что он удивился оценке алгоритма одной из участниц проекта Autism and Beyond, которая продемонстрировала сочетание типичной и атипичной модели поведения. Когда Сапиро смотрел видео этой маленькой девушки, он быстро понял, что происходит: ее поведение было типичным течение дня, но нетипичная ночью, когда она была уставшая.

Возможно, исследователи буди бы способны интерпретировать эти видео легче, сочетая их с информацией из датчиков, фиксирующих поведение ребенка. Группа ученых из Института технологий Джорджии в Атланте исследует этот подход, который они называют «поведенческой визуализацией». Один из ученых, Грегори Абоуд (Gregory Abowd), имеет двух сыновей с расстройством спектра. «Мой старший сын не говорит, а младший говорит, но испытывает трудности с эффективным общением», - говорит Абоуд. В 2002 году, через три года после того, как его старшему сыну диагностировали аутизм в возрасте 2 лет, он сказал: «Я начал интересоваться тем, что я мог бы сделать, как ученый, работающий в сфере компьютеров, для решения каких рых проблем, связанных с аутизмом ».

Ученые из Технологического института Джорджии исследуют датчики для отслеживания ряда физиологических и поведенческих данных. В одном проекте они используют датчики для наблюдения за физическими движениями, которые могут свидетельствовать о проблемах поведения, такие как самоистязание. Еще одна инициатива включает в себя очки, которые оснащены камерой, расположенной на переносице, чтобы облегчить наблюдение за ребенком во время игры.

Как говорит ученый Джеймс Рег (James Rehg), мечта, заключается в том, чтобы научить алгоритмы машинного обучения использовать эти сигналы, чтобы автоматически генерировать снимок навыков социальной коммуникации у ребенка: «Я считаю, что сейчас действительно удивительное время; благодаря богатству разнообразной информации, которую люди могут исследовать, перед нами открывается много перспектив ».

По словам Хелен Эггер (Helen Egger), главы детской и подростковой психиатрии NYU Langone Healthв Нью-Йорке, комплексные поведенческие данные могут также дать подсказки о состояниях, которые часто встречаются вместе с аутизмом. Эггер считает, что большие наборы данных могут помочь понять совпадение в поведенческих чертах между аутизмом и такими состояниями, как тревога, синдром гиперактивности с дефицитом внимания, обсессивно-компульсивное расстройство и депрессия.

Некоторые исследовательские группы надеются натренировать модели машинного обучения для выявления признаков аутизма еще до появления поведенческих симптомов.

Стинер и его коллеги из Infant Brain Imaging Study (IBIS), исследовательской сети в США, используют глубокое обучение для анализа сканирования мозга более 300 братьев и сестер детей с аутизмом. Поскольку, как известно, первые имеют повышенный риск аутизма, в этой группе легче выявить особые признаки. В 2017 году IBIS опубликовала 2 исследования, в которых алгоритмы машинного обучения нашли определенные паттерны опухолей головного мозга и корректно прогнозировали диагноз аутизма в 80%.

«- Одна из главных различий между нашим исследованиям и многочисленными исследованиями в области машинного обучения состоит в том, что наше прогнозировало позднее диагностический результат при досимптоматичного периода», - говорит Джозеф Пивен (Joseph Piven), профессор психиатрии и директор Carolina Institute for Developmental Disabilities в Университете Северной Каролины в Чапел-Хилл и исследователь IBIS.

Машинное обучение, тренировалось в области мозгового изображение может оказать больше, чем бинарное «да» или «нет» относительно диагноза. Оно также поможет спрогнозировать, какой именно степень расстройства аутистического спектра будет такой ребенок - легкий или тяжелый.

сложность диагностики

Однако один фактор ограничивает объем данных по визуализации мозга: участники должны иметь магнитно-резонансные визуализационные машины, которые являются громоздкими, дорогими и сложными для использования с детьми. Более гибким вариантом для выявления ранних признаков аутизма может быть электроэнцефалография (ЭЭГ).

«- Она была и остается единой технологии исследования мозга, которую можно широко использовать в клинической практике», - рассказывает Уильям Боссли (William Bosl,) доцент кафедры медицинской информатики и клинической психологии в Университете Сан-Франциско.

Алгоритмы машинного обучения - это лишь первая часть уравнения при работе с ЭЭГ. Вторая - это то, что Боссли называет «секретным соусом»: дополнительные компьютерные методы, которые удаляют шум от этих сигналов и облегчают выявление паттернов данных. В исследовании 2018 Босли и его коллеги использовали эту алгоритмический смесь для мониторинга ЭЭГ 99 детей и 89 детей с низким уровнем риска в течение почти трех лет. Используя данные ЭЭГ младенцев в возрасте до 3 месяцев, этот метод мог предвидеть оценки тяжести по эталонным диагностическим тестом - Autism Diagnostic Observation Schedule (ADOS).

Но исследователи предупреждают, что даже многообещающие алгоритмы ничего не проявляют к биологического значения их находок.

«Мы не знаем, что компьютер забирает непосредственно в ЭЭГ сигнал, - говорит Чарльз Нельсон (Charles Nelson), директор исследований в Boston Children's Hospital's Developmental Medicine Center, который также руководил работой, связанной с ЭЭГ. - Возможно, это хороший прогностический биомаркер, и в результате мы сможем сделать прогноз о более поздние результаты, но не дает ответа о том, почему у детей развивается аутизм ».

Как и те исследователи, которые работают с визуализацией мозга или поведенческими данными, так и те, которые сосредоточены на ЭЭГ, полагаются на относительно небольшие наборы данных, которые трудно собрать. Например, иногда алгоритм хорошо изучает паттерны определенного набора данных настолько хорошо, что не может обобщить усвоенное к большим, более сложных наборов данных. Эта проблема под названием «чрезмерное обучения» отмечает, чтобы ученые (в идеале - разные команды) всегда проверяли результаты.

Существует и другая волчья яма: исследователи используют учебные наборы данных, которые содержат одинаковое количество детей с аутизмом и без него. Аутизм отсутствует у половины детей; показатель ближе к 1 из 60 детей в Соединенных Штатах. Итак, когда алгоритм переходит от учебных данных к реальному миру, возникает проблема «иголки в стоге сена» и выявить детей с аутизмом становится сложнее. Учитывая эти трудности, многие исследователи аутизма уверены относительно коммерциализации программ на базе машинного обучения. Но есть и небольшое количество энтузиастов.

Ебоуд занимает должность главного научного сотрудника Behavior Imaging с 2005 года, когда Рон и Шарон Оберлитнер (Ron and Sharon Oberleitner) основали компанию почти через десять лет после того, как их сын получил диагноз аутизм в возрасте 3 лет. Компания предлагает телемедицинские решения, например, приложение Naturalistic Observation Diagnostic Assessment, что позволяет клиентам проводить дистанционную диагностику аутизма на основе загруженных домашних видеороликов.

Behavior Imaging - это частичное исследование, имеющее целью подготовку алгоритмов машинного обучения для характеристики поведения детей в видео. Как только они определяют поведение, они могут привлечь внимание клиницистов к вышеупомянутым ключевых временных признаков и избавить их от просмотра видео от начала до конца. В свою очередь клиницисты улучшить работу алгоритма, подтверждая или исправляя оценку этих моментов. «Этот инструмент поддержки клинических решений будет постоянно влиять на отраслевую экспертизу по нетипичной для аутизма поведения», - говорит Рон.

Более амбициозное видение компьютерного скрининга аутизма имеет Cognoa, стартап из Пало-Альто, штат Калифорния. Компания предлагает мобильное приложение, которое предоставляет родителям оценки риска, основываясь на 25 многовариантных вопросах и видео о деятельности их детей. В конце концов лидеры Cognoa хотят, чтобы Управление США по санитарному надзору за качеством пищевых продуктов и медикаментов одобрило программу, которая, по их словам, позволит педиатрам диагностировать аутизм и направлять детей непосредственно на лечение.

Деннис Уолл (Dennis Wall), исследователь из Стэнфордского университета, основал Cognoa в 2013 году. После двух исследований, опубликованных в 2012 году, он заявил, что его алгоритмы машинного обучения смогут сделать диагностику аутизма более точно и быстро, чем два инструмента скрининга, ADOS и диагностическое интервью с аутизмом (ADI-R).

«- Это был уверенный шаг вперед и стал надежным стартовой площадкой для будущей работы», - уверяет Уолл.

Цель и критика

Но научные работы Уолла не убедили всех. Несколько критиков, в том числе Нараянан (Narayanan), в анализе 2015 указали, что в исследованиях использовались небольшие наборы данных и рассматривались только дети с тяжелым аутизмом, за исключением наиболее сложных и трудно диагностируемых форм состояния. В реальной жизни его алгоритмы будут пропускать множество диагнозов, которые бы заметил врач. В 2014 году Уолл опубликовал анализ достоверности, подтверждающий эффективность алгоритма на независимом наборе данных, включая данные от детей, имеющих средний степень расстройства. Он признает, что в исследованиях 2012 использовали меньше наборы данных, но подчеркивает, что точность его алгоритмов хранится в больших наборах данных, используемых в дальнейших исследованиях.

В 2016 году Нараянан и некоторые его сотрудники описали, как использовали машинное обучение для упрощения скрининга и диагностики аутизма. В своем заключении они отметили, что их алгоритмы, учась на ответах родителей, которые хотят узнать диагноз своего ребенка, тоже хорошо работали, но нуждались тестирования в больших и разнообразных группах.

По словам сотрудника Bone, Кэтрин Лорд (Catherine Lord), директора-основателя Center for Autism and the Developing Brain в Уайт-Плейнс, штат Нью-Йорк, которая разработала ADOS, само по себе накопление данных для обучения алгоритмов обязательно поможет. Иногда очевидные, но неподтвержденные объяснение успеха алгоритма. Например, у мальчиков диагностируют аутизм примерно в четыре раза чаще, чем у девочек. Исследование, проводимое с помощью машинного обучения и созданное для определения различий между людьми с аутизмом и без него, на самом деле, может замечать только различия. Но это не вина машинного обучения.

Некоторые команды утверждают, что машинное обучение может предсказать аутизм с точностью, превышающей 95%, но эти показатели вряд ли останутся темы же самыми во время более суровых условий теста. К тому времени, пока алгоритмы НЕ будут полезны, они не будут готовы к клиническому использованию; и они не усовершенствуются без диагностов, которые помогут их развитию.

«- По большому счету, я считаю, что самой большой проблемой есть люди, которые имеют опыт в анализе данных, но собирают непонятные для них наборы данных, поскольку они не руководствуются клинической перспективой», - объясняет Фред Шик (Fred Shic), доцент кафедры педиатрии в Вашингтонском университете в Сиэтле.

Шик является спивдослидником проекта, который разработал приложение на базе планшета под названием Yale Adaptive Multimedia screener, который использует видео-рассказ, чтобы спросить родителей о поведении ребенка. Шик утверждает, что он привык тщательно исследовать методы, использованные другими учеными, а также проверяет, они повторяют точность их алгоритма с помощью независимого набора данных.

По мнению других, математика никогда не решит этических проблем, которые могут возникнуть при использовании машинного обучения для диагностики аутизма.

«- Я действительно не думаю, что мы должны вкладывать силу диагностики, даже ранней, в руки машин, которые затем передавать результаты семьям», - говорит Хелен Тагер-Флусберг (Helen Tager-Flusberg), директор Center for Autism Research Excellence в Бостонском университете. - Это очень эмоциональный и тяжелый момент в жизни семьи: они узнают о вероятности того, что их ребенок будет иметь нарушения нервно-психического развития ».

Стинер также сообщает о вреде, который могут нанести ложные положительные результаты. В его собственной семье все получилось лучше, чем он мог предположить. Сын Стинера Макс, которому сегодня 11 лет, академически одаренный, а класс социальных навыков и еженедельные игровые группы идут ему на пользу.

Учитывая свой опыт как отца, он понимает, почему семьи настолько стремятся к более раннему скрининга и диагностики, и это все еще побуждает его расширить возможности машинного обучения: «Я действительно сопереживаю с семьями и понимаю, что они хотят знать не только диагноз, но и возможную тяжесть симптомов ».

СТОИТ ЧИТАТЬ:

источник: TheAtlantic

Похожие

Комментарии