GeneticNAS: ein neuartiges selbst-evolvierendes neuronales Netz für verbesserte ASD-Screenings

Warum schnellere Autismus‑Checks wichtig sind

Für viele Familien kann es Jahre dauern, bis geklärt ist, ob ein Kind im Autismus-Spektrum liegt. Aktuelle Untersuchungen beruhen auf langen Präsenzterminen mit hochqualifizierten Spezialisten, die in vielen Regionen knapp sind. Dieses Paper beschreibt ein neues System der künstlichen Intelligenz, das selbstständig lernt, subtile Muster in Bewegungen von Kindern während standardisierter Autismus‑Tests zu erkennen. Ziel ist nicht, Kliniker zu ersetzen, sondern ihnen ein schnelles, verlässliches Screening‑Werkzeug zu geben, das auch auf bescheidener Hardware funktioniert.

Video von Spielverhalten in messbare Muster verwandeln

Die Studie baut auf dem Autism Diagnostic Observation Schedule (ADOS) auf, einer weit verbreiteten, strukturierten Spiel‑basierten Untersuchung. Statt Experten Verhaltensweisen manuell bewerten zu lassen, starten die Forschenden mit kurzen Videos von 160 Kindern, davon die Hälfte mit Autismus und die andere Hälfte typischer Entwicklung. Computer‑Vision‑Software verfolgt 33 Schlüsselstellen am Körper – etwa Schultern, Ellbogen und Kopfposition – Bild für Bild. Aus diesen Spuren konstruiert das Team reichhaltige Beschreibungen mit 2.048 Werten pro Moment, die erfassen, wie flüssig ein Kind sich bewegt, wie Blick und Körperhaltung sich verändern und wie sich diese Muster im Zeitverlauf entwickeln. Sorgfältige Qualitätsprüfungen stellen sicher, dass die Messungen über viele Sitzungen stabil und zwischen Autismus‑ und Nicht‑Autismus‑Gruppen ausgewogen sind.

Den Computer sein eigenes Netzwerk entwerfen lassen

Anstelle eines manuell entworfenen neuronalen Netzes – der geschichteten mathematischen Struktur hinter viel moderner KI – lassen die Autoren einen automatisierten Prozess nach dem besten Design suchen. Sie nutzen einen evolutionär inspirierten Ansatz: Eine Population von Kandidatennetzen wird erzeugt, jeweils mit unterschiedlichen Layer‑Typen und Einstellungen. Einige Layer transformieren die Daten, andere fügen Shortcut‑Verbindungen hinzu oder komprimieren und dekomprimieren Informationen, um wichtige Signale hervorzuheben. Das System bewertet, wie gut jeder Kandidat Autismus von typischer Entwicklung unterscheidet, und «kreuzt» die besseren Netzwerke, mischt und mutiert ihre Designs über zehn Generationen, bis eine leistungsfähige Architektur entsteht.

Schlauere Nutzung von Rechenressourcen

Eine Schlüsselinnovation ist, dass der Suchprozess reale Hardware‑Grenzen berücksichtigt. Viele ähnliche Methoden benötigen High‑End‑Grafikkarten mit 16 Gigabyte oder mehr Speicher, die die meisten Kliniken nicht haben. Hier wird die Suche nicht nur durch Genauigkeit, sondern auch durch den Speicher‑ und Zeitbedarf der Modelle gesteuert. Techniken wie das Aufteilen des Trainings in kleinere Teile und das Bestrafen übermäßig ressourcenintensiver Designs erlauben es dem System, mit etwa 2,1 Gigabyte Speicher zu laufen – eine Reduktion um 76 Prozent gegenüber früheren Arbeiten – während dennoch Millionen möglicher Netzwerklayouts untersucht werden. Das endgültige Modell hat nur 2,8 Millionen einstellbare Gewichte und kann die Daten eines Kindes in etwa 15 Millisekunden pro Probe verarbeiten.

Wie gut das System Kinder unterscheiden kann

Getestet an mehr als 1,3 Millionen ungesehenen Beispielen klassifizierte das gewählte Netzwerk etwa 95 von 100 Proben korrekt, eine deutliche Verbesserung gegenüber starken bestehenden Deep‑Learning‑Baselines. Eine Analyse der Kompromisse zwischen verpassten Fällen und Fehlalarmen zeigte eine sehr hohe Fläche unter der ROC‑Kurve (0,986), was bedeutet, dass das Modell für unterschiedliche klinische Prioritäten eingestellt werden kann, ohne stark an Leistung zu verlieren. Wichtig ist, dass die Erfolgsrate bei Kindern mit Autismus und bei typischer Entwicklung nahezu identisch war, was darauf hindeutet, dass das Modell nicht zugunsten einer Gruppe verzerrt ist. Sorgfältige statistische Tests und Vergleiche mit einfacheren Netzwerken bestätigten, dass die Mischung von Layer‑Typen und die evolutionär inspirierte Suche beide entscheidend für diese Leistung waren.

Was das für Familien und Kliniken bedeuten könnte

Einfach ausgedrückt zeigt die Studie, dass es möglich ist, ein kompaktes, schnelles KI‑System zu trainieren, das Bewegungs‑ und Interaktionsmuster erkennt, die mit Autismus assoziiert sind, unter realistischen Rechenbedingungen. Ein solches Werkzeug könnte helfen, gefährdete Kinder früher im Diagnoseprozess zu identifizieren, besonders dort, wo Spezialisten knapp sind, und Kliniker mit einer objektiven Zweitmeinung zu unterstützen. Die Autoren betonen die Grenzen ihrer Arbeit – sie wurde nur in kontrollierten Klinik‑Settings mit Kindern aus einem Land getestet und erklärt seine Entscheidungen noch nicht in menschlich verständlichen Begriffen. Dennoch deuten die Ergebnisse darauf hin, dass selbstentwerfende neuronale Netze ein praktischer Bestandteil zukünftiger Autismus‑Screenings werden könnten und viele Familien davor bewahren helfen, lange auf Antworten warten zu müssen.

Zitation: Alzahrani, A.R., Alboaneen, D. & Alzahrani, I.R. GeneticNAS: a novel self-evolving neural architecture for advanced ASD screening. Sci Rep 16, 6304 (2026). https://doi.org/10.1038/s41598-026-35972-x

Schlüsselwörter: Autismus-Screening, Neural Architecture Search, genetische Algorithmen, Pose-Schätzung, klinische KI