GeneticNAS: ארכיטקטורה נוירלית מתפתחת עצמאית לסקר ASD מתקדם

מדוע בדיקות אוטיזם מהירות חשובות

לעשרות משפחות, קבלת תשובה ברורה בנוגע לכך שהילד נמצא על הספקטרום האוטיסטי יכולה לקחת שנים. הערכות נוכחיות תלויות במפגשים ארוכים פנים אל פנים עם מומחים בעלי הכשרה גבוהה, שמחסורם מורגש באזורים רבים. מאמר זה מתאר מערכת בינה מלאכותית חדשה שלומדת בעצמה כיצד לקרוא בצורה הטובה ביותר דפוסים עדינים בתנועות ילדים במהלך הערכות סטנדרטיות לאוטיזם. המטרה אינה להחליף קלינאים, אלא לספק להם כלי סריקה מהיר ואמין שעובד גם על מחשבים צנועים.

הפיכת וידאו משעת משחק לדפוסים מדידים

המחקר מתבסס על Autism Diagnostic Observation Schedule (ADOS), הערכה מובנית מבוססת משחק שנמצאת בשימוש נרחב. במקום שמומחים ידרגו התנהגויות ביד, החוקרים מתחילים עם סרטונים קצרים של 160 ילדים, מחציתם עם אוטיזם ומחציתם מתפתחים טיפוסית. תוכנת ראייה ממוחשבת עוקבת אחר 33 נקודות מפתח בגוף—כגון כתפיים, מרפקים ומיקום הראש—מסגרת אחר מסגרת. מתוך מסלולים אלה בונה הצוות תיאורים עשירים בני 2,048 ערכים של כל רגע, המתארים עד כמה הילד נע בצורה חלקה, כיצד מבטו ויציבתו משתנים וכיצד דפוסים אלה מתפתחים לאורך הזמן. בדיקות איכות קפדניות מבטיחות שהמדידות יציבות על פני מפגשים רבים ומאוזנות בין קבוצות האוטיזם והלא-אוטיזם.

לאפשר למחשב לעצב את המוח שלו

במקום לעצב ביד רשת נוירלית—המבנה המתמטי השכבתי שעומד מאחורי חלק גדול מהבינה המודרנית—המחברים מאפשרים לתהליך אוטומטי לחפש את העיצוב הטוב ביותר. הם משתמשים בגישה המושפעת מאבולוציה: נוצרת אוכלוסייה של רשתות מועמדות, כל אחת עם סוגי שכבות והגדרות שונות. חלק מהשכבות פשוט מעלות-מנתחנות את הנתונים; אחרות מוסיפות קישורים קצרים או מכווצות ומרחיבות מחדש מידע כדי להבליט אותות חשובים. המערכת מעריכה עד כמה כל מועמד מבחין בין אוטיזם להתפתחות טיפוסית, ואז "מעבדת" את הטובות ביניהן, מערבבת ומטמוטמת את העיצובים שלהן על פני עשר דורות עד שעולה ארכיטקטורה חזקה.

שימוש חכם יותר בכוח חישוב

חדשנות מרכזית היא שתהליך החיפוש בנוי לתת כבוד למגבלות חומרה בעולם האמיתי. שיטות דומות רבות דורשות כרטיסי גרפיקה מתקדמים עם 16 ג׳יגה-בייט או יותר של זיכרון, אשר לרוב אין במרפאות. כאן, החיפוש מונחה לא רק על ידי דיוק אלא גם לפי כמה זיכרון וזמן כל דגם צורך. טכניקות כמו פירוק האימון לחלקים קטנים יותר ועונש על עיצובים כבדים מדי מאפשרות למערכת לפעול בכ-2.1 ג׳יגה-בייט זיכרון—צמצום של כ-76 אחוז לעומת עבודה קודמת—ובאותו הזמן לחקור מיליוני פריסות רשת אפשריות. המודל הסופי כולל רק 2.8 מיליון משקלים הניתנים לכוונון ויכול לעבד את נתוני הילד בכמעט 15 מילישניות לדגימה.

כמה טוב המערכת מבחינה בין ילדים

כאשר נבדקה על יותר מ-1.3 מיליון דוגמאות שלא נראו קודם, הרשת הנבחרת סיווגה נכון כ-95 מתוך כל 100 דגימות, שיפור ברור על פני קווי בסיס חזקים בלמידה עמוקה. ניתוח של התפשרויות בין מקרים שפוספסו לאיתותים שגויים הראה שטח גדול מתחת לעקומת ROC (0.986), כלומר ניתן לכוון את המודל לצרכים קליניים שונים מבלי שיבולע בביצועים. באופן מהותי, שיעור ההצלחה היה כמעט זהה לילדים עם אוטיזם ולעומת ילדים מתפתחים טיפוסית, מה שמרמז שהוא אינו מוטה לטובת קבוצה אחת. מבחנים סטטיסטיים קפדניים והשוואות מול רשתות פשוטות יותר אישרו ששימוש בתערובת סוגי שכבות ובחיפוש בהשראת אבולוציה היו שניהם גורמים קריטיים להישגים אלה.

מה זה עשוי להגיד למשפחות ולקליניקות

באופן פשוט, המחקר מראה שאפשר לאמן מערכת בינה מלאכותית קומפקטית ומהירה לזהות דפוסי תנועה ואינטראקציה המקושרים לאוטיזם, באמצעות רמות כוח חישוב ריאליות. כלי כזה יכול לעזור לזהות ילדים בסיכון מוקדם יותר במסלול האבחון, במיוחד במקומות שבהם מומחים נדירים, ויכול לתמוך בקלינאים על ידי מתן חוות דעת שנייה אובייקטיבית. המחברים מדגישים שלעבודתם יש מגבלות—היא נבדקה רק בהגדרות קליניות מבוקרות עם ילדים ממדינה אחת, ואף אינה מסבירה עדיין את החלטותיה במונחים אנושיים. עם זאת, התוצאות מצביעות על כך שברשתות נוירליות המעוצבות בעצמן עשויה להיות תרומה מעשית לסקר אוטיזם עתידי, ובכך לעזור לקצר את ההמתנה הארוכה שעומדת בפני משפחות רבות לפני קבלת תשובות.

ציטוט: 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

מילות מפתח: מיון אוטיזם, חיפוש ארכיטקטורה נוירלית, אלגוריתמים גנטיים, אומדן תנוחה, בינה מלאכותית קלינית