Recherches sur l’autisme et application de techniques d’apprentissage machine

Grâce à l'apprentissage machine, un robot peut améliorer l'attention d'un enfant autiste à un jeu. Cela peut également servir à prévoir l'autisme chez un enfant, à découvrir des profils comportementaux.

spectrumnews.org Traduction par Sarah de "How autism researchers are applying machine-learning techniques" de Laura Dattaro  /  25 Mars 2020

Essaie, robot : avec l’apprentissage machine, un robot peut améliorer l’attention que porte un enfant autiste à un jeu. © National Science Foundation Essaie, robot : avec l’apprentissage machine, un robot peut améliorer l’attention que porte un enfant autiste à un jeu. © National Science Foundation

Qu’il s’agisse d’identifier un nouvel antibiotique ou de générer la première image jamais obtenue d’un trou noir, l’apprentissage machine est en train de modifier la manière dont les scientifiques abordent les questions dans de nombreux domaines. Les chercheurs dans celui de l’autisme se montrent également créatifs, en utilisant des méthodes d’apprentissage machine pour améliorer le diagnostic, catégoriser la condition en sous-types, et apporter du soutien aux personnes sur le spectre.

Une des applications les plus répandues de l’apprentissage machine réside dans la formulation de prévisions : où et quand un ouragan frappera, par exemple, ou quel pourrait être le mot qui va suivre dans le message texto d’une personne. Une équipe a appliqué des méthodes similaires pour prédire quels nouveaux-nés pourraient recevoir par la suite un diagnostic d’autisme. (1)

Les chercheurs ont étudié les dossiers médicaux des parents de près de 100 000 enfants nés en Israël de 1997 à 2008. Environ 1 400 de ces enfants ont été diagnostiqués autistes.

Grâce à plusieurs techniques d’apprentissage machine, ils ont analysé l’âge des parents, leur statut socio-économique et leurs traitements médicaux.

Les algorithmes ont prédit avec succès environ un tiers des diagnostics d’autisme chez ces enfants. Les prédictions étaient plus fondées quand les chercheurs avaient combiné les données provenant des deux parents pour chaque enfant, et non celles d’un seul parent. L’équipe a publié les résultats en février dans European Psychiatry.

Les algorithmes prédictifs pourraient aussi être utiles pour identifier les facteurs susceptibles de contribuer à l’autisme. Ainsi, les algorithmes ont trouvé une association entre l’autisme et la consommation par les parents de substances comme la caféine et certains antidépresseurs. La recherche antérieure sur la contribution de ces substances ou médicaments à l’autisme est mitigée.

Catégoriser l’autisme

L’apprentissage machine peut également aider les chercheurs à mieux comprendre pourquoi les caractéristiques de l’autisme changent en nature et en gravité d’une personne à l’autre.

Les chercheurs ont utilisé l’apprentissage machine pour analyser des scanners cérébraux et de la documentation clinique, comme l’âge du déclenchement et du recours à un traitement, pour 671 personnes, dont 307 avaient été diagnostiquées schizophrènes. (2)

L’équipe a utilisé son algorithme pour identifier deux sous-groupes de schizophrénie à partir des schémas distincts dans l’anatomie cérébrale. Ils ont publié leurs travaux en février dans Brain.

Un des sous-types laisse voir un volume cérébral tout à fait normal, avec des augmentations dans deux zones, ce qui contredit les théories précédentes, selon lesquelles la schizophrénie est liée à un volume cérébral réduit.

Des méthodes semblables ont déjà été utilisées dans la recherche sur l’autisme. En 2019, une étude à base d’apprentissage machine a analysé des données comportementales, et découvert deux profils comportementaux, englobant les autres, dans l’autisme, chacun doté de ses propres sous-groupes définis par la gravité de différents traits. (3)

Soutien robotique

Une autre équipe de recherche a mis au point des algorithmes d’apprentissage machine qui pouvaient aider des robots à comprendre à quel moment un enfant autiste a besoin d’aide. (4)

L’équipe a confié un robot appelé Kiwi à sept enfants autistes âgés de 3 à 7 ans – trois filles et quatre garçons – chacun pendant un mois. Kiwi, un robot vert avec des plumes pourpres, et un visage souriant interactif, guidait les enfants, tandis qu’ils jouaient ensemble à un jeu de mathématiques sur tablette, sur le thème de l’espace, en les encourageant à rester concentrés sur la tâche. Une caméra installée sur la tablette enregistrait les enfants pendant qu’ils jouaient.

A la fin du mois, les chercheurs ont analysé les enregistrements audio et vidéo, ainsi que les scores obtenus par les enfants dans le jeu, puis ils ont entraîné un algorithme d’apprentissage machine à reconnaître quand les enfants étaient attentifs. Ils ont créé des modèles individuels pour les données de chaque enfant, ainsi que des modèles généraux, en se servant d’un grand nombre d’actions des enfants.

Socially assistive robots for children on the autism spectrum © Spectrum

Les modèles ont reconnu avec précision quand un enfant était impliqué dans 90 % du temps environ. Ils ont manqué des occurrences d’inattention – quand un enfant s’amusait avec un jouet ou quittait la pièce, par exemple, environ la moitié du temps. L’étude a été publiée en février dans Science Robotics.

L’équipe a ensuite observé si les encouragements de Kiwi modifiaient l’attention portée par les enfants sur le jeu. Quand Kiwi avait parlé dans les minutes qui précédaient, les enfants avaient été attentifs pendant environ 70 % du temps, contre moins de 50 % quand Kiwi était resté muet.

Des méthodes d’apprentissage machine améliorées pourraient aider Kiwi à mieux s’adapter au comportement d’un enfant et à savoir quand prodiguer ses encouragements, ont conclu les chercheurs.


Références:

  1. Rahman R. et al. Eur. Psychiatry 63, e22 (2020) PubMed
  2. Chand G.B. et al. Brain – Publication numérique avant impression (2020) PubMed
  3. Stevens E. et al. Int. J. Med. Inform. 129, 29-36 (2019) PubMed
  4. Jain S. et al. Sci. Robot. 5, eaaz3791 (2020) Abstract

Le Club est l'espace de libre expression des abonnés de Mediapart. Ses contenus n'engagent pas la rédaction.