GeneticNAS: una nuova architettura neurale auto-evolvente per lo screening avanzato dell’ASD

Perché controlli più rapidi per l’autismo sono importanti

Per molte famiglie ottenere una risposta chiara sul fatto che un bambino rientri nello spettro autistico può richiedere anni. Le valutazioni attuali dipendono da lunghe sessioni in presenza con specialisti altamente qualificati, che scarseggiano in molte regioni. Questo articolo descrive un nuovo sistema di intelligenza artificiale che impara, autonomamente, come interpretare al meglio i pattern sottili nei movimenti dei bambini durante valutazioni standard per l’autismo. L’obiettivo non è sostituire i clinici, ma fornire loro uno strumento di screening rapido e affidabile che funzioni anche su computer modesti.

Trasformare il video del gioco in pattern misurabili

Lo studio si basa sull’Autism Diagnostic Observation Schedule (ADOS), una valutazione strutturata basata sul gioco ampiamente utilizzata. Invece di far valutare i comportamenti dagli esperti a mano, i ricercatori partono da brevi video di 160 bambini, la metà con autismo e la metà con sviluppo tipico. Software di visione artificiale traccia fotogramma per fotogramma 33 punti chiave del corpo — come spalle, gomiti e posizione della testa. Da queste tracce il team costruisce descrizioni ricche, da 2.048 valori per ogni istante, che catturano quanto fluentemente il bambino si muove, come cambiano sguardo e postura e come questi pattern evolvono nel tempo. Controlli di qualità accurati assicurano che le misurazioni siano stabili su molte sessioni e bilanciate tra i gruppi con e senza autismo.

Lasciare che il computer progetti il proprio cervello

Piuttosto che progettare a mano una rete neurale — la struttura matematica a strati dietro gran parte dell’IA moderna — gli autori lasciano che un processo automatizzato cerchi il design migliore. Usano un approccio ispirato all’evoluzione: viene creata una popolazione di reti candidate, ognuna con diversi tipi di layer e impostazioni. Alcuni layer trasformano semplicemente i dati; altri aggiungono connessioni di scorrimento o comprimono e ri-espandono le informazioni per evidenziare segnali importanti. Il sistema valuta quanto bene ciascuna candidata distingue l’autismo dallo sviluppo tipico, quindi “incrocia” le migliori, mescolando e mutando i loro progetti per dieci generazioni finché non emerge un’architettura robusta.

Uso più intelligente della potenza di calcolo

Un’innovazione chiave è che il processo di ricerca è progettato per rispettare i limiti dell’hardware reale. Molti metodi simili richiedono schede grafiche di fascia alta con 16 gigabyte o più di memoria, che la maggior parte delle cliniche non possiede. Qui la ricerca è guidata non solo dall’accuratezza ma anche dalla quantità di memoria e tempo che ogni modello consuma. Tecniche come suddividere l’addestramento in parti più piccole e penalizzare i progetti eccessivamente pesanti permettono al sistema di funzionare con circa 2,1 gigabyte di memoria — una riduzione del 76 percento rispetto a lavori precedenti — pur esplorando milioni di possibili configurazioni di rete. Il modello finale ha solo 2,8 milioni di pesi regolabili e può processare i dati di un bambino in circa 15 millisecondi per campione.

Quanto bene il sistema distingue i bambini

Quando testata su oltre 1,3 milioni di esempi non visti prima, la rete scelta ha classificato correttamente circa 95 campioni su 100, un chiaro miglioramento rispetto a solidi modelli di deep learning esistenti. Un’analisi dei compromessi tra casi mancati e falsi allarmi ha mostrato un’area sotto la curva ROC molto elevata (0,986), il che significa che il modello può essere tarato per priorità cliniche differenti senza crollare nelle prestazioni. È importante che il tasso di successo fosse quasi identico per i bambini con autismo e per quelli con sviluppo tipico, suggerendo che non è sbilanciato verso un gruppo. Test statistici accurati e confronti con reti più semplici hanno confermato che l’uso di un mix di tipi di layer e della ricerca ispirata all’evoluzione sono stati entrambi cruciali per queste prestazioni.

Cosa potrebbe significare per famiglie e cliniche

In termini semplici, lo studio mostra che è possibile addestrare un sistema di IA compatto e veloce per individuare pattern di movimento e interazione legati all’autismo, usando quantità realistiche di potenza di calcolo. Uno strumento del genere potrebbe aiutare a individuare bambini a rischio più precocemente nel percorso diagnostico, specialmente in luoghi dove gli specialisti sono scarsi, e potrebbe supportare i clinici fornendo un secondo parere oggettivo. Gli autori sottolineano i limiti del loro lavoro — è stato testato solo in contesti clinici controllati con bambini di un singolo paese, e non spiega ancora le sue decisioni in termini umani. Tuttavia, i risultati suggeriscono che le reti neurali autodisegnate potrebbero diventare una componente pratica dello screening dell’autismo futuro, contribuendo ad accorciare la lunga attesa che molte famiglie affrontano prima di ottenere risposte.

Citazione: 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

Parole chiave: screening autismo, ricerca di architetture neurali, algoritmi genetici, stima della posa, IA clinica