GeneticNAS: новая самоэволирующая нейронная архитектура для улучшенного скрининга РАС

Почему важны более быстрые проверки на аутизм

Для многих семей получение окончательного ответа о том, находится ли ребёнок в спектре аутизма, может занять годы. Современные оценки требуют долгих очных сессий у высококвалифицированных специалистов, которых во многих регионах мало. В этой работе описана новая система искусственного интеллекта, которая самостоятельно учится лучше распознавать тонкие паттерны в движениях детей во время стандартных тестов на аутизм. Цель — не заменить клиницистов, а дать им быстрый и надёжный инструмент скрининга, который работает даже на скромных компьютерах.

Преобразование видео игры в измеримые паттерны

Исследование опирается на Autism Diagnostic Observation Schedule (ADOS) — широко используемую, структурированную оценку на основе игры. Вместо того чтобы эксперты вручную оценивали поведение, исследователи начинают с коротких видео 160 детей: половина с аутизмом, половина — типично развивающиеся. Программное обеспечение компьютерного зрения отслеживает 33 ключевые точки на теле — например, плечи, локти и положение головы — кадр за кадром. На основе этих треков команда строит богатые описания каждого момента размером в 2 048 значений, фиксируя, насколько плавно ребёнок двигается, как меняются его взгляд и осанка и как эти паттерны развиваются во времени. Тщательные проверки качества обеспечивают стабильность измерений в разных сессиях и баланс между группами с аутизмом и без.

Позволив компьютеру спроектировать собственный «мозг»

Вместо ручного проектирования нейронной сети — многослойной математической структуры, лежащей в основе современной ИИ — авторы позволяют автоматическому процессу искать оптимальную архитектуру. Они используют подход, вдохновлённый эволюцией: создаётся популяция кандидатов-сетей, каждая с разными типами слоёв и настройками. Некоторые слои просто преобразуют данные; другие добавляют короткие связи или сжимают и вновь расширяют информацию, выделяя важные сигналы. Система оценивает, насколько хорошо каждый кандидат отличает аутизм от типичного развития, затем «скрещивает» лучшие, смешивая и мутируя их конструкции в течение десяти поколений, пока не сформируется сильная архитектура.

Более разумное использование вычислительных ресурсов

Ключевая инновация заключается в том, что процесс поиска учитывает реальные аппаратные ограничения. Многие аналогичные методы требуют мощных графических карт с 16 гигабайтами или более памяти, которые отсутствуют в большинстве клиник. Здесь поиск руководствуется не только точностью, но и тем, сколько памяти и времени использует каждая модель. Приёмы вроде разбивки обучения на меньшие части и штрафования чрезмерно тяжёлых конструкций позволяют системе работать примерно в 2,1 гигабайта памяти — на 76 процентов меньше по сравнению с предыдущими работами — при этом исследуя миллионы возможных компоновок сети. Итоговая модель содержит всего 2,8 миллиона настраиваемых весов и способна обрабатывать данные ребёнка примерно за 15 миллисекунд на один образец.

Насколько хорошо система различает детей

При тестировании на более чем 1,3 миллиона ранее невиданных примеров выбранная сеть верно классифицировала примерно 95 из 100 образцов, что является явным улучшением по сравнению с сильными существующими глубокими базовыми моделями. Анализ компромиссов между пропущенными случаями и ложными тревогами показал очень большую площадь под ROC-кривой (0,986), что означает: модель можно настроить под разные клинические приоритеты без серьёзной потери качества. Важно, что уровень успешности оказался практически одинаковым для детей с аутизмом и для типично развивающихся, что говорит о том, что модель не смещена в пользу одной из групп. Тщательные статистические тесты и сравнения с более простыми сетями подтвердили: использование смеси типов слоёв и поиск, вдохновлённый эволюцией, были ключевыми для такого результата.

Что это может значить для семей и клиник

Проще говоря, исследование показывает: возможно обучить компактную и быструю систему ИИ распознавать паттерны движений и взаимодействия, связанные с аутизмом, при реальных объёмах вычислительных ресурсов. Такой инструмент мог бы помогать выявлять детей с риском на более ранних этапах диагностического пути, особенно в местах с нехваткой специалистов, и поддерживать клиницистов, предоставляя объективное второе мнение. Авторы подчёркивают ограничения работы — она была протестирована только в контролируемых условиях клиник с детьми из одной страны и пока не объясняет свои решения на понятном человеку языке. Тем не менее результаты указывают на то, что саморазрабатывающиеся нейронные сети могут стать практичной частью будущего скрининга аутизма, помогая сократить долгие ожидания многих семей в поиске ответов.

Цитирование: 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

Ключевые слова: скрининг аутизма, поиск нейронной архитектуры, генетические алгоритмы, оценка позы, клинический ИИ