GeneticNAS: nowa samo-ewoluująca architektura neuronowa do zaawansowanego przesiewu ASD

Dlaczego szybsze badania w kierunku autyzmu mają znaczenie

Dla wielu rodzin uzyskanie jasnej odpowiedzi, czy dziecko należy do spektrum autyzmu, może trwać lata. Obecne oceny opierają się na długich, bezpośrednich sesjach prowadzonych przez wysoko wykwalifikowanych specjalistów, których brakuje w wielu regionach. W artykule opisano nowy system sztucznej inteligencji, który samodzielnie uczy się, jak najlepiej odczytywać subtelne wzorce w ruchach dzieci podczas standardowych badań w kierunku autyzmu. Celem nie jest zastąpienie klinicystów, lecz dostarczenie im szybkiego, niezawodnego narzędzia przesiewowego, działającego nawet na skromnym sprzęcie komputerowym.

Przekształcanie nagrań zabawy w mierzalne wzorce

Badanie opiera się na Autism Diagnostic Observation Schedule (ADOS), powszechnie stosowanej, ustrukturyzowanej ocenie opartej na zabawie. Zamiast polegać na ręcznym punktowaniu zachowań przez ekspertów, badacze zaczynają od krótkich wideo 160 dzieci, połowy z autyzmem i połowy rozwijających się typowo. Oprogramowanie widzenia komputerowego śledzi 33 kluczowe punkty na ciele — takie jak ramiona, łokcie i pozycja głowy — klatka po klatce. Z tych śladów zespół konstruuje bogate, 2048‑wartościowe opisy każdego momentu, uchwytując płynność ruchu dziecka, przesunięcia spojrzenia i postawy oraz to, jak te wzorce zmieniają się w czasie. Skrupulatne kontrole jakości zapewniają stabilność pomiarów w wielu sesjach i równowagę między grupami z autyzmem i bez autyzmu.

Pozwolenie komputerowi zaprojektować własny „mózg”

Zamiast ręcznie tworzyć sieć neuronową — warstwową strukturę matematyczną stojącą za dużą częścią współczesnej AI — autorzy pozwalają zautomatyzowanemu procesowi wyszukać najlepszy projekt. Stosują podejście inspirowane ewolucją: tworzona jest populacja kandydackich sieci, z różnymi typami warstw i ustawień. Niektóre warstwy po prostu przekształcają dane; inne dodają skrócone połączenia lub kompresują i ponownie rozprzestrzeniają informacje, by uwypuklić ważne sygnały. System ocenia, jak dobrze każdy kandydat odróżnia autyzm od rozwoju typowego, a następnie „krzyżuje” lepsze egzemplarze, mieszając i mutując ich projekty przez dziesięć pokoleń, aż wyłoni się silna architektura.

Mądrzejsze wykorzystanie mocy obliczeniowej

Kluczową innowacją jest to, że proces wyszukiwania zaprojektowano z uwzględnieniem ograniczeń sprzętowych spotykanych w praktyce. Wiele podobnych metod wymaga wydajnych kart graficznych z 16 gigabajtami lub więcej pamięci, których nie mają większość klinik. Tutaj wyszukiwanie kierowane jest nie tylko przez dokładność, ale także przez zużycie pamięci i czasu przez każdy model. Techniki takie jak dzielenie treningu na mniejsze części oraz karanie nadmiernie ciężkich projektów pozwalają systemowi działać przy około 2,1 gigabajta pamięci — co stanowi redukcję o 76 procent w porównaniu z wcześniejszymi pracami — przy jednoczesnym eksplorowaniu milionów możliwych układów sieci. Końcowy model ma tylko 2,8 miliona regulowanych wag i potrafi przetworzyć dane dziecka w około 15 milisekund na próbkę.

Jak dobrze system potrafi rozróżniać dzieci

Testowany na ponad 1,3 miliona nieznanych przykładów wybrany model poprawnie sklasyfikował około 95 na każde 100 próbek, co stanowi wyraźną poprawę w stosunku do silnych istniejących metod głębokiego uczenia. Analiza kompromisów między przypadkami pominiętymi a fałszywymi alarmami wykazała bardzo wysoką powierzchnię pod krzywą ROC (0,986), co oznacza, że model można dostroić do różnych priorytetów klinicznych bez utraty wydajności. Co ważne, wskaźnik skuteczności był niemal identyczny dla dzieci z autyzmem i dla dzieci rozwijających się typowo, co sugeruje brak istotnego nastawienia na jedną z grup. Skrupulatne testy statystyczne i porównania z prostszymi sieciami potwierdziły, że użycie mieszanki typów warstw oraz inspirowane ewolucją wyszukiwanie były kluczowe dla osiągniętej skuteczności.

Co to może oznaczać dla rodzin i klinik

Mówiąc wprost, badanie pokazuje, że możliwe jest wytrenowanie zwartego, szybkiego systemu AI do wykrywania wzorców ruchu i interakcji powiązanych z autyzmem, używając realistycznych zasobów obliczeniowych. Takie narzędzie mogłoby pomóc wcześniej wychwycić dzieci zagrożone podczas drogi diagnostycznej, zwłaszcza w miejscach, gdzie brakuje specjalistów, i mogłoby wspierać klinicystów, dostarczając obiektywnej drugiej opinii. Autorzy podkreślają jednak ograniczenia pracy — została przetestowana jedynie w kontrolowanych warunkach klinicznych na dzieciach z jednego kraju i jeszcze nie wyjaśnia swoich decyzji w kategoriach zrozumiałych dla ludzi. Mimo to wyniki sugerują, że samoprojektujące się sieci neuronowe mogą stać się praktycznym elementem przyszłych badań przesiewowych w kierunku autyzmu, pomagając skrócić długie oczekiwanie wielu rodzin na odpowiedź.

Cytowanie: 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

Słowa kluczowe: przesiew autyzmu, wyszukiwanie architektury neuronowej, algorytmy genetyczne, estymacja pozy, AI kliniczne