29 septiembre 2022.- En el juego Adivina qué? (Guess what?) , creado por investigadores de Stanford, un cuidador adulto sostiene un telé...
29 septiembre 2022.- En el juego Adivina qué? (Guess what?), creado por investigadores de Stanford, un cuidador adulto sostiene un teléfono inteligente en su frente y le pide a un niño que imite una imagen que se muestra en la pantalla. Puede ser un mono, un jugador de fútbol o quizás una cara feliz o triste. Luego, el adulto adivina lo que el niño está actuando y registra las respuestas correctas inclinando el teléfono hacia adelante; incorrecto inclinándolo hacia atrás.
Para los niños con trastorno del espectro autista (TEA), el juego proporciona una dosis rápida de aprendizaje terapéutico en el hogar, ayudándolos a hacer contacto visual con sus cuidadores y ayudándolos a asociar emociones específicas con diversas expresiones faciales.
Pero el valor de Guess What? es mucho más profundo. Cada sesión de juego de 90 segundos se graba en video y se puede enviar (con los consentimientos y protecciones de privacidad apropiados) a los investigadores de Stanford.
"Si encendemos la cámara y podemos darle indicaciones útiles al niño, podemos desafiarlo, ayudarlo y capturar información sobre la marcha", dice Dennis Wall, profesor de pediatría, de psiquiatría y ciencias del comportamiento, y de ciencia de datos biomédicos en Stanford Medicine y miembro de la facultad afiliado al Instituto de Stanford para la Inteligencia Artificial centrada en el ser humano.
Desde hace algunos años, Wall y sus colegas han estado recopilando grabaciones de videos caseros y usarlos para desarrollar nuevas formas de diagnosticar TEA de forma remota, mejorar los conjuntos de datos de reconocimiento de emociones, seguir el progreso de los niños en el reconocimiento de emociones y, en última instancia, mejorar los tratamientos de TEA.
El trabajo, que utiliza visión por computadora y otras formas de IA, también tiene aplicaciones potenciales para otros tipos de análisis de comportamiento, incluidos otros retrasos en el desarrollo, condiciones de salud mental y trastornos afectivos como la esquizofrenia.
¿Adivina qué? historia de origen
Los niños con TEA suelen tener dificultades para hacer contacto visual y participar en lo que se llama reciprocidad socioemocional: la interacción social de ida y vuelta que requiere una comprensión de las señales no verbales que incluyen, entre otras cosas, el reconocimiento de la emoción en los rostros de los demás. La reciprocidad social se aprende mejor cuando los niños son muy pequeños, y varias estrategias para enseñarla a los niños con TEA (usando, por ejemplo, tarjetas de memoria portátiles) han demostrado ser efectivas pero no generalizables ni escalables.
Para abordar ese problema, los científicos desarrollaron un programa de tratamiento del autismo que utiliza dispositivos portátiles de realidad aumentada, específicamente Google Glass, para proporcionar a los niños pistas sobre las emociones de las personas con las que interactúan. Aunque el enfoque de Google Glass recibió atención en la prensa y demostró su eficacia en un ensayo controlado aleatorio, las herramientas de realidad aumentada aún no se han adoptado ampliamente.
Para superar esa limitación, el equipo investigador desarrolló Guess What? que se basa en una herramienta más omnipresente: el teléfono inteligente. La mayoría de las personas de todos los sectores de estatus socioeconómico, raza y etnia tienen un teléfono inteligente. Esto lo convierte en un potente vehículo para ayudar a controlar la salud y administrar tratamientos. El teléfono inteligente también es más natural para que lo usen las familias, porque crea una excusa para el intercambio social en el hogar.
Pero había otro objetivo en mente: recopilar videos caseros de niños con TEA y neurotípicos. Al crear un juego que facilita a las familias compartir videos de manera segura con los investigadores, esperaban recopilar un conjunto de datos lo suficientemente grande como para hacer avanzar el campo del diagnóstico y tratamiento de los TEA. Y esos esfuerzos están comenzando a dar sus frutos.
Diagnóstico temprano y remoto del autismo
Los investigadores saben que la intervención temprana es beneficiosa para los niños con autismo, sin embargo, en los Estados Unidos, el diagnóstico generalmente toma alrededor de dos años y la edad promedio de diagnóstico es de casi 4 años y medio. Además, los servicios de autismo no se distribuyen de manera uniforme en todo el país: más del 83% de los condados de EE.UU. no ofrecen ningún servicio de diagnóstico de autismo.
Para llenar ese vacío en el servicio, el equipo investigador está usando los videos caseros de Guess What? para desarrollar modelos de IA que eventualmente podrían permitir el diagnóstico remoto semiautomatizado de TEA.
Y hay buenas razones para pensar que podrían tener éxito. En un trabajo anterior, descubrieron que los no expertos de colaboración abierta son tan buenos como los médicos para revisar videos de jóvenes y etiquetar características significativas de los TEA (como ciertos tipos de habla repetitiva, falta de contacto visual, ciertos movimientos de la cabeza o uso idiosincrásico). de los dedos, como pellizcarse los dedos).
Además, usando estos videos etiquetados, entrenaron un modelo para predecir con alta precisión (más del 90 %) qué niños son neurotípicos o tienen TEA en otro conjunto de videos (uno que también ha sido etiquetado manualmente con características significativas de TEA).
En el futuro, el equipo espera que sus modelos se vuelvan gradualmente lo suficientemente inteligentes como para diagnosticar a un niño con TEA sin ayuda humana. Sin embargo, para dar ese salto, el equipo necesita una gran cantidad de videos caseros para usar en el entrenamiento de modelos. Ahí es donde Guess what? tiene su ser.
En un artículo reciente publicado en JMIR Pediatrics and Parenting , el equipo probó la idea de usar solo la parte de audio de Guess What? grabaciones de video para predecir directamente TEA sin depender de ningún ser humano para etiquetar características relevantes. El audio es relevante para el diagnóstico de TEA porque se sabe que muchos niños con autismo vocalizan de manera diferente a los niños neurotípicos. Por ejemplo, a menudo repiten las palabras utilizadas por otros, hablan en un tono monótono o atípico y enfatizan sus palabras de manera inusual.
Al aplicar métodos de aprendizaje profundo basados en audio a 850 clips de audio de 58 niños (20 con TEA), el equipo logró un 79 % de precisión al distinguir a los niños neurotípicos de aquellos con TEA. Y aunque eso no es clínicamente adecuado, dice, es importante tener en cuenta que debido a que el TEA se presenta de muchas maneras en diferentes personas, uno no esperaría que las grabaciones de audio por sí solas fueran suficientes para el diagnóstico.
En los próximos pasos, el equipo comenzará a combinar la señal de audio con otros tipos de información de comportamiento en los videos, como reconocimiento de emociones, movimientos de manos, etc.
"Estoy interesado en desarrollar modelos multimodales que integren múltiples fuentes de datos en un diagnóstico explicable. Será útil saber cuánto de un diagnóstico automatizado se atribuyó, por ejemplo, al reconocimiento de emociones o al contacto visual frente a otro comportamiento como el habla".
Crear mejores conjuntos de datos de reconocimiento de emociones
Los académicos no solo esperan que su juego ayude a diagnosticar el TEA temprano, sino que también esperan que ayude a los niños a aprender y reconocer las emociones de los demás. Cuando los niños miran la cara de otra persona usando el sistema de autismo Google Glass, el espejo les dirá qué emoción está expresando la otra persona.
Para que el sistema haga esto de manera precisa y confiable, se requiere un modelo entrenado en conjuntos de datos de expresiones faciales etiquetadas. En un trabajo reciente, el mismo equipo investigador extrajo imágenes de expresiones faciales de niños a través de Guess What? Vídeos con los que crearon un juego tipo "Hollywood Squares" que permitía a los no expertos revisar y etiquetar rápidamente las imágenes con varias emociones. Por ejemplo, los etiquetadores podrían marcar una franja completa de imágenes como felices o tristes en lugar de tener que hacer clic en cada imagen.
El resultado: un modelo entrenado con este conjunto de datos etiquetados se desempeñó mejor que cualquier otro modelo existente en la identificación de emociones en un conjunto de datos estándar de referencia de las expresiones faciales de los niños.
Oportunidades en el futuro
Como el Guess what? crece el conjunto de datos, es probable que genere información que pueda retroalimentarse al juego para mejorar su efectividad como herramienta de enseñanza y tratamiento.
Al mismo tiempo, los investigadores desean hacer uso de los modelos TEA del equipo para rastrear cómo les está yendo a los niños con TEA a lo largo del tiempo. Por ejemplo, ¿están mejorando en el reconocimiento de emociones o no? ¿Hay cambios en los movimientos de la cabeza, los movimientos de los dedos y el contacto visual o no?
Más información: Nathan A Chi et al, Classifying Autism From Crowdsourced Semistructured Speech Recordings: Machine Learning Model Comparison Study, JMIR Pediatrics and Parenting (2022). DOI: 10.2196/35406
Jena Daniels et al. Exploratory study examining the at-home feasibility of a wearable tool for social-affective learning in children with autism, npj Digital Medicine (2018). DOI: 10.1038/s41746-018-0035-3 , www.nature.com/articles/s41746-018-0035-3
COMENTARIOS