GeneticNAS : une nouvelle architecture neuronale auto-évolutive pour un dépistage avancé de l’autisme

Pourquoi des bilans d’autisme plus rapides comptent

Pour de nombreuses familles, obtenir une réponse claire quant à la présence d’un trouble du spectre autistique chez un enfant peut prendre des années. Les évaluations actuelles reposent sur de longues séances en personne avec des spécialistes hautement qualifiés, qui font défaut dans de nombreuses régions. Cet article décrit un nouveau système d’intelligence artificielle qui apprend, de manière autonome, à mieux lire les motifs subtils dans les mouvements des enfants pendant des évaluations standardisées de l’autisme. L’objectif n’est pas de remplacer les cliniciens, mais de leur fournir un outil de dépistage rapide et fiable, utilisable même sur des ordinateurs modestes.

Transformer des vidéos de jeu en motifs mesurables

L’étude s’appuie sur l’Autism Diagnostic Observation Schedule (ADOS), une évaluation structurée et basée sur le jeu largement utilisée. Plutôt que de faire noter les comportements manuellement par des experts, les chercheurs partent de courtes vidéos de 160 enfants, dont la moitié avec autisme et l’autre moitié en développement typique. Un logiciel de vision par ordinateur suit 33 points clés du corps — comme les épaules, les coudes et la position de la tête — image par image. À partir de ces trajectoires, l’équipe construit des descriptions riches de 2 048 valeurs pour chaque instant, capturant la fluidité des mouvements de l’enfant, la façon dont son regard et sa posture se déplacent, et la manière dont ces motifs évoluent dans le temps. Des contrôles qualité rigoureux garantissent que les mesures sont stables sur de nombreuses sessions et équilibrées entre les groupes avec et sans autisme.

Laisser l’ordinateur concevoir son propre « cerveau »

Plutôt que de concevoir manuellement un réseau neuronal — la structure mathématique en couches derrière une grande partie de l’IA moderne — les auteurs laissent un processus automatisé rechercher la meilleure architecture. Ils utilisent une approche inspirée de l’évolution : une population de réseaux candidats est créée, chacun avec différents types de couches et paramètres. Certaines couches transforment simplement les données ; d’autres ajoutent des connexions directes ou compressent puis réexpandent l’information pour mettre en évidence des signaux importants. Le système évalue la capacité de chaque candidat à distinguer l’autisme du développement typique, puis « croise » les meilleurs, mélangeant et mutant leurs conceptions sur dix générations jusqu’à l’émergence d’une architecture performante.

Une utilisation plus intelligente de la puissance de calcul

Une innovation clé est que le processus de recherche est conçu pour respecter les limites matérielles du monde réel. Beaucoup de méthodes similaires nécessitent des cartes graphiques haut de gamme avec 16 gigaoctets ou plus de mémoire, dont la plupart des cliniques ne disposent pas. Ici, la recherche est guidée non seulement par la précision mais aussi par la quantité de mémoire et de temps utilisée par chaque modèle. Des techniques comme le fractionnement de l’entraînement en morceaux plus petits et la pénalisation des architectures trop lourdes permettent au système de fonctionner avec environ 2,1 gigaoctets de mémoire — une réduction de 76 % par rapport aux travaux antérieurs — tout en explorant des millions de configurations possibles. Le modèle final ne compte que 2,8 millions de paramètres ajustables et peut traiter les données d’un enfant en environ 15 millisecondes par échantillon.

Quelle est la capacité du système à différencier les enfants

Testé sur plus de 1,3 million d’exemples inconnus, le réseau sélectionné a correctement classé environ 95 échantillons sur 100, une amélioration nette par rapport à de solides modèles de référence en apprentissage profond. Une analyse des compromis entre cas manqués et fausses alertes a montré une aire sous la courbe ROC très élevée (0,986), ce qui signifie que le modèle peut être ajusté selon différentes priorités cliniques sans effondrement des performances. Fait important, son taux de réussite était presque identique pour les enfants autistes et pour les enfants en développement typique, ce qui suggère qu’il n’est pas biaisé en faveur d’un groupe. Des tests statistiques rigoureux et des comparaisons avec des réseaux plus simples ont confirmé que l’utilisation d’un mélange de types de couches et la recherche inspirée de l’évolution étaient toutes deux cruciales pour cette performance.

Ce que cela pourrait signifier pour les familles et les cliniques

En termes simples, l’étude montre qu’il est possible d’entraîner un système d’IA compact et rapide pour repérer des motifs de mouvement et d’interaction liés à l’autisme, en utilisant des ressources de calcul réalistes. Un tel outil pourrait aider à identifier plus tôt les enfants à risque dans le parcours diagnostique, en particulier dans les zones où les spécialistes sont rares, et pourrait soutenir les cliniciens en fournissant un second avis objectif. Les auteurs soulignent que leur travail a des limites — il a été testé uniquement en milieu clinique contrôlé avec des enfants d’un seul pays, et il n’explique pas encore ses décisions en termes compréhensibles par l’humain. Néanmoins, les résultats suggèrent que des réseaux neuronaux auto-conçus pourraient devenir une composante pratique du dépistage de l’autisme à l’avenir, contribuant à raccourcir la longue attente que de nombreuses familles doivent affronter avant d’obtenir des réponses.

Citation: 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

Mots-clés: dépistage de l’autisme, recherche d’architectures neuronales, algorithmes génétiques, estimation de pose, IA clinique