GeneticNAS: uma nova arquitetura neural autoevolutiva para triagem avançada do TEA

Por que verificações mais rápidas de autismo importam

Para muitas famílias, obter uma resposta clara sobre se uma criança está no espectro autista pode levar anos. As avaliações atuais dependem de longas sessões presenciais com especialistas altamente treinados, que são escassos em muitas regiões. Este artigo descreve um novo sistema de inteligência artificial que aprende, por conta própria, a melhor forma de ler padrões sutis nos movimentos das crianças durante avaliações padronizadas de autismo. O objetivo não é substituir os clínicos, mas fornecer a eles uma ferramenta de triagem rápida e confiável que funcione mesmo em computadores modestos.

Transformando vídeo de brincadeira em padrões mensuráveis

O estudo se baseia no Autism Diagnostic Observation Schedule (ADOS), uma avaliação estruturada e amplamente usada, baseada em brincadeiras. Em vez de ter especialistas pontuando comportamentos manualmente, os pesquisadores partem de vídeos curtos de 160 crianças, metade com autismo e metade em desenvolvimento típico. Software de visão computacional rastreia 33 pontos-chave do corpo — como ombros, cotovelos e posição da cabeça — quadro a quadro. A partir desses traçados, a equipe constrói descrições ricas de 2.048 valores para cada momento, capturando quão suave é o movimento da criança, como seu olhar e postura mudam e como esses padrões evoluem ao longo do tempo. Verificações de qualidade cuidadosas garantem que as medições sejam estáveis ao longo de muitas sessões e equilibradas entre os grupos com e sem autismo.

Deixando o computador projetar seu próprio cérebro

Em vez de projetar manualmente uma rede neural — a estrutura matemática em camadas por trás de grande parte da IA moderna — os autores permitem que um processo automatizado procure o melhor desenho. Eles usam uma abordagem inspirada na evolução: uma população de redes candidatas é criada, cada uma com tipos de camadas e configurações diferentes. Algumas camadas simplesmente transformam os dados; outras adicionam conexões de atalho ou comprimem e reexpandem informações para destacar sinais importantes. O sistema avalia o quão bem cada candidato distingue autismo de desenvolvimento típico, e então “cruza” os melhores, misturando e mutando seus desenhos por dez gerações até emergir uma arquitetura forte.

Uso mais inteligente do poder computacional

Uma inovação-chave é que o processo de busca foi construído para respeitar limites de hardware do mundo real. Muitos métodos semelhantes exigem placas gráficas de alto desempenho com 16 gigabytes ou mais de memória, que a maioria das clínicas não possui. Aqui, a busca é guiada não apenas pela acurácia, mas também pela quantidade de memória e tempo que cada modelo consome. Técnicas como dividir o treinamento em partes menores e penalizar designs excessivamente pesados permitem que o sistema rode com cerca de 2,1 gigabytes de memória — uma redução de 76 por cento em comparação com trabalhos anteriores — enquanto ainda explora milhões de possíveis configurações de rede. O modelo final tem apenas 2,8 milhões de pesos ajustáveis e pode processar os dados de uma criança em cerca de 15 milissegundos por amostra.

Quão bem o sistema diferencia as crianças

Quando testada em mais de 1,3 milhão de exemplos não vistos, a rede escolhida classificou corretamente cerca de 95 em cada 100 amostras, uma melhoria clara em relação a fortes baselines de aprendizado profundo existentes. Uma análise dos trade-offs entre casos perdidos e falsos positivos mostrou uma área sob a curva ROC muito alta (0,986), o que significa que o modelo pode ser ajustado para diferentes prioridades clínicas sem colapsar em desempenho. Importante, sua taxa de sucesso foi quase idêntica para crianças com autismo e para crianças em desenvolvimento típico, sugerindo que não há viés em favor de um dos grupos. Testes estatísticos cuidadosos e comparações com redes mais simples confirmaram que usar uma mistura de tipos de camadas e a busca inspirada na evolução foram cruciais para esse desempenho.

O que isso pode significar para famílias e clínicas

Em termos simples, o estudo mostra que é possível treinar um sistema de IA compacto e rápido para detectar padrões de movimento e interação ligados ao autismo, usando quantidades realistas de poder computacional. Essa ferramenta poderia ajudar a identificar crianças em risco mais cedo na jornada diagnóstica, especialmente em lugares onde especialistas são escassos, e pode apoiar clínicos fornecendo uma segunda opinião objetiva. Os autores enfatizam que o trabalho tem limitações — foi testado apenas em ambientes clínicos controlados com crianças de um único país e ainda não explica suas decisões em termos humanos. Ainda assim, os resultados sugerem que redes neurais auto-projetadas podem se tornar parte prática da triagem futura do autismo, ajudando a encurtar a longa espera que muitas famílias enfrentam antes de obter respostas.

Citação: 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

Palavras-chave: triagem do autismo, busca de arquitetura neural, algoritmos genéticos, estimativa de pose, IA clínica