GeneticNAS: een nieuw zelf-evolutionair neuronaal ontwerp voor geavanceerde ASD‑screening

Waarom snellere autismechecks ertoe doen

Voor veel gezinnen kan het jaren duren voordat ze een duidelijke uitspraak krijgen over of een kind tot het autisme­spectrum behoort. Huidige evaluaties hangen af van lange, persoonlijke sessies met hoogopgeleide specialisten, die in veel regio’s schaars zijn. Dit artikel beschrijft een nieuw kunstmatig‑intelligentiesysteem dat zelf leert hoe het subtiele patronen in de bewegingen van kinderen tijdens standaard autismebeoordelingen het beste kan herkennen. Het doel is niet om clinici te vervangen, maar hen een snel, betrouwbaar screeningsinstrument te bieden dat zelfs op bescheiden computers werkt.

Video van spel omzetten in meetbare patronen

De studie bouwt voort op de Autism Diagnostic Observation Schedule (ADOS), een veelgebruikt, gestructureerd op spel gebaseerd evaluatieprotocol. In plaats van experts gedragingen handmatig te laten scoren, beginnen de onderzoekers met korte video’s van 160 kinderen, de helft met autisme en de andere helft typisch ontwikkelend. Computerzichtsoftware volgt frame voor frame 33 sleutelpunten op het lichaam—zoals schouders, ellebogen en hoofdpositie. Uit deze sporen construeren de onderzoekers rijke beschrijvingen van elk moment met 2.048 waarden, die vastleggen hoe vloeiend een kind beweegt, hoe hun blik en houding verschuiven en hoe deze patronen in de loop van de tijd evolueren. Zorgvuldige kwaliteitscontroles zorgen ervoor dat de metingen stabiel zijn over veel sessies en gebalanceerd tussen autisme‑ en niet‑autismegroepen.

Het de computer laten ontwerpen van zijn eigen netwerk

In plaats van een neuraal netwerk met de hand te ontwerpen—de gelaagde wiskundige structuur achter veel moderne AI—laten de auteurs een geautomatiseerd proces naar het beste ontwerp zoeken. Ze gebruiken een benadering geïnspireerd op evolutie: er wordt een populatie van kandidaat‑netwerken gemaakt, elk met verschillende laagtypen en instellingen. Sommige lagen transformeren de data simpelweg; andere voegen snelkoppelingen toe of comprimeren en heruitbreiden informatie om belangrijke signalen te benadrukken. Het systeem evalueert hoe goed elk kandidaat netwerk autisme onderscheidt van typische ontwikkeling, waarna de betere netwerken “gefokt” worden door hun ontwerpen te mengen en te muteren over tien generaties totdat een sterke architectuur ontstaat.

Slimmer gebruik van rekencapaciteit

Een belangrijke innovatie is dat het zoekproces is opgebouwd met respect voor hardware‑beperkingen uit de echte wereld. Veel vergelijkbare methoden hebben hoogwaardige grafische kaarten nodig met 16 gigabyte of meer geheugen, die de meeste klinieken niet hebben. Hier wordt de zoekrichting niet alleen bepaald door nauwkeurigheid maar ook door hoeveel geheugen en tijd elk model gebruikt. Technieken zoals het opdelen van training in kleinere stukken en het bestraffen van te zware ontwerpen maken het mogelijk dat het systeem met ongeveer 2,1 gigabyte geheugen draait—een vermindering van 76 procent vergeleken met eerder werk—terwijl het toch miljoenen mogelijke netwerkindelingen kan verkennen. Het uiteindelijke model heeft slechts 2,8 miljoen aanpasbare gewichten en kan de gegevens van een kind in ongeveer 15 milliseconden per sample verwerken.

Hoe goed het systeem kinderen kan onderscheiden

Getest op meer dan 1,3 miljoen niet eerder geziene voorbeelden, classificeerde het gekozen netwerk ongeveer 95 van de 100 samples correct, een duidelijke verbetering ten opzichte van sterke bestaande deep‑learning basismodellen. Een analyse van de afwegingen tussen gemiste gevallen en valse alarmen liet een zeer hoge area under the ROC curve zien (0,986), wat betekent dat het model kan worden afgestemd op verschillende klinische prioriteiten zonder in prestaties in te boeten. Belangrijk is dat de succesratio vrijwel identiek was voor kinderen met autisme en voor typisch ontwikkelende kinderen, wat erop wijst dat het model niet bevooroordeeld is richting één groep. Zorgvuldige statistische tests en vergelijkingen met simpelere netwerken bevestigden dat het gebruik van een mix van laagtypen en de evolutionair‑geïnspireerde zoekstrategie beide cruciaal waren voor deze prestatie.

Wat dit kan betekenen voor gezinnen en klinieken

Simpel gezegd toont de studie aan dat het mogelijk is om een compact, snel AI‑systeem te trainen om bewegings‑ en interactiepatronen te herkennen die aan autisme gerelateerd zijn, met realistische hoeveelheden rekencapaciteit. Zo’n hulpmiddel zou kunnen helpen risicokinderen eerder in het diagnostische traject te signaleren, vooral op plaatsen waar specialisten schaars zijn, en clinici ondersteunen door een objectieve second opinion te bieden. De auteurs benadrukken dat hun werk beperkingen heeft—het is alleen getest in gecontroleerde klinische settings met kinderen uit één land, en het verklaart zijn beslissingen nog niet in menselijke termen. Toch suggereren de resultaten dat zelfontworpen neurale netwerken een praktisch onderdeel van toekomstige autismescreening kunnen worden en zo kunnen helpen de lange wachttijden die veel gezinnen ervaren te verkorten voordat ze antwoorden krijgen.

Bronvermelding: 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

Trefwoorden: autismescreening, neuraal architectuuronderzoek, genetische algoritmen, pose‑schatting, klinische AI