GeneticNAS: una nueva arquitectura neuronal autoevolutiva para cribado avanzado del TEA

Por qué importan controles más rápidos del autismo

Para muchas familias, obtener una respuesta clara sobre si un niño está en el espectro autista puede llevar años. Las evaluaciones actuales dependen de largas sesiones presenciales con especialistas muy entrenados, que escasean en muchas regiones. Este artículo describe un nuevo sistema de inteligencia artificial que aprende, por sí solo, a interpretar los patrones sutiles en los movimientos de los niños durante evaluaciones estándar de autismo. El objetivo no es reemplazar a los clínicos, sino proporcionarles una herramienta de cribado rápida y fiable que funcione incluso en ordenadores modestos.

Convertir el vídeo del juego en patrones medibles

El estudio se basa en la Autism Diagnostic Observation Schedule (ADOS), una evaluación estructurada y basada en el juego ampliamente utilizada. En lugar de que los expertos puntúen los comportamientos a mano, los investigadores parten de vídeos cortos de 160 niños, la mitad con autismo y la mitad con desarrollo típico. Un software de visión por ordenador rastrea 33 puntos clave del cuerpo —como hombros, codos y la posición de la cabeza— cuadro a cuadro. A partir de estas trazas, el equipo construye descripciones ricas de 2.048 valores por cada momento, que capturan cuán suave es el movimiento del niño, cómo cambian su mirada y postura, y cómo evolucionan esos patrones en el tiempo. Controles de calidad rigurosos garantizan que las mediciones sean estables a lo largo de múltiples sesiones y equilibradas entre los grupos con y sin autismo.

Dejar que el ordenador diseñe su propio cerebro

En lugar de diseñar a mano una red neuronal —la estructura matemática en capas que hay detrás de gran parte de la IA moderna—, los autores permiten que un proceso automatizado busque el mejor diseño. Utilizan un enfoque inspirado en la evolución: se crea una población de redes candidatas, cada una con diferentes tipos de capas y parámetros. Algunas capas transforman simplemente los datos; otras añaden conexiones de atajo o comprimen y reexpanden la información para resaltar señales importantes. El sistema evalúa qué tan bien cada candidata distingue el autismo del desarrollo típico y luego “cruza” las mejores, mezclando y mutando sus diseños durante diez generaciones hasta que emerge una arquitectura sólida.

Uso más inteligente de la potencia de cálculo

Una innovación clave es que el proceso de búsqueda está diseñado para respetar los límites del hardware del mundo real. Muchos métodos similares requieren tarjetas gráficas de alta gama con 16 gigabytes o más de memoria, que la mayoría de las clínicas no poseen. Aquí, la búsqueda se guía no solo por la precisión sino también por cuánta memoria y tiempo usa cada modelo. Técnicas como dividir el entrenamiento en piezas más pequeñas y penalizar diseños excesivamente pesados permiten que el sistema funcione con alrededor de 2,1 gigabytes de memoria —una reducción del 76 por ciento en comparación con trabajos anteriores— mientras explora millones de posibles configuraciones de red. El modelo final tiene solo 2,8 millones de pesos ajustables y puede procesar los datos de un niño en aproximadamente 15 milisegundos por ejemplo.

Qué tan bien el sistema discrimina entre niños

Cuando se probó con más de 1,3 millones de ejemplos no vistos, la red elegida clasificó correctamente alrededor de 95 de cada 100 muestras, una mejora clara sobre potentes referencias de aprendizaje profundo existentes. Un análisis de las compensaciones entre casos perdidos y falsas alarmas mostró un área bajo la curva ROC muy alta (0,986), lo que significa que el modelo puede ajustarse según distintas prioridades clínicas sin colapsar en rendimiento. De forma importante, su tasa de aciertos fue casi idéntica para niños con autismo y para niños con desarrollo típico, lo que sugiere que no está sesgado hacia un grupo. Pruebas estadísticas cuidadosas y comparaciones con redes más simples confirmaron que usar una mezcla de tipos de capa y la búsqueda inspirada en la evolución fueron ambos cruciales para este rendimiento.

Qué podría suponer para familias y clínicas

En términos sencillos, el estudio muestra que es posible entrenar un sistema de IA compacto y rápido para detectar patrones de movimiento e interacción vinculados al autismo, usando cantidades realistas de potencia de cálculo. Una herramienta así podría ayudar a señalar a niños en riesgo antes en el proceso diagnóstico, especialmente en lugares donde los especialistas son escasos, y podría apoyar a los clínicos proporcionando una segunda opinión objetiva. Los autores subrayan que su trabajo tiene limitaciones: se ha probado solo en entornos clínicos controlados con niños de un único país, y aún no explica sus decisiones en términos humanos. Aun así, los resultados sugieren que las redes neuronales autodiiseñadas pueden convertirse en una parte práctica del cribado futuro del autismo, ayudando a acortar la larga espera que muchas familias afrontan antes de obtener respuestas.

Cita: 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

Palabras clave: cribado de autismo, búsqueda de arquitectura neuronal, algoritmos genéticos, estimación de postura, IA clínica