GeneticNAS: en ny självutvecklande neurala arkitektur för avancerad ASD‑screening

Varför snabbare autismscreeningar spelar roll

För många familjer kan det ta år att få ett tydligt svar på om ett barn ligger på autismspektrumet. Nuvarande utredningar bygger på långa, personliga sessioner med högutbildade specialister, som är knapphändiga i många regioner. Denna artikel beskriver ett nytt artificiellt intelligenssystem som självt lär sig hur man bäst tolkar subtila mönster i barns rörelser under standardiserade autismbedömningar. Målet är inte att ersätta kliniker, utan att ge dem ett snabbt och tillförlitligt screeningverktyg som fungerar även på modest utrustade datorer.

Att göra lekvideo till mätbara mönster

Studien bygger på Autism Diagnostic Observation Schedule (ADOS), en vida använd, strukturerad lekinriktad utvärdering. Istället för att experter manuellt poängsätter beteenden börjar forskarna med korta videor av 160 barn, hälften med autism och hälften typiskt utvecklade. Datorseendeprogram följer 33 nyckelpunkter på kroppen — såsom axlar, armbågar och huvudets position — bildruta för bildruta. Från dessa spår konstruerar teamet rika, 2 048‑värdes beskrivningar av varje ögonblick, som fångar hur smidigt ett barn rör sig, hur blicken och hållningen skiftar och hur dessa mönster utvecklas över tid. Noggranna kvalitetskontroller säkerställer att mätningarna är stabila över många sessioner och balanserade mellan autism- och icke‑autismgrupper.

Låta datorn utforma sitt eget ”hjärna”

I stället för att hantverksmässigt utforma ett neuralt nätverk — den flerskiktade matematiska strukturen bakom mycket av modern AI — låter författarna en automatiserad process söka efter den bästa designen. De använder ett tillvägagångssätt inspirerat av evolution: en population av kandidatnätverk skapas, vardera med olika typer av lager och inställningar. Vissa lager transformerar helt enkelt datan; andra lägger till genvägsförbindelser eller komprimerar och återexpanderar information för att framhäva viktiga signaler. Systemet utvärderar hur väl varje kandidat skiljer autism från typisk utveckling, och ”avlar” sedan de bättre, genom att blanda och mutera deras konstruktioner över tio generationer tills en stark arkitektur framträder.

Smartare användning av datorkraft

En nyckelinnovation är att sökprocessen är utformad för att respektera verkliga hårdvarubegränsningar. Många liknande metoder kräver kraftfulla grafikkort med 16 gigabyte eller mer minne, vilket de flesta kliniker saknar. Här styrs sökningen inte bara av noggrannhet utan också av hur mycket minne och tid varje modell använder. Tekniker som att dela upp träningen i mindre delar och straffa alltför tunga konstruktioner gör att systemet kan köras i ungefär 2,1 gigabyte minne — en minskning med 76 procent jämfört med tidigare arbete — samtidigt som det fortfarande utforskar miljontals möjliga nätverkslayouter. Den slutliga modellen har endast 2,8 miljoner justerbara vikter och kan bearbeta ett barns data på ungefär 15 millisekunder per prov.

Hur väl systemet kan skilja barn åt

När det testades på mer än 1,3 miljoner tidigare osedda exempel klassificerade det valda nätverket korrekt ungefär 95 av 100 prover, en tydlig förbättring jämfört med starka befintliga djupinlärningsbaslinjer. En analys av avvägningar mellan missade fall och falsklarm visade en mycket hög area under ROC‑kurvan (0,986), vilket betyder att modellen kan justeras för olika kliniska prioriteringar utan att prestandan kollapsar. Viktigt är att framgångsgraden var nästan identisk för barn med autism och för typiskt utvecklade barn, vilket tyder på att den inte är snedvriden mot någon grupp. Noggranna statistiska tester och jämförelser med enklare nätverk bekräftade att användningen av en blandning av lagertyper och den evolutioninspirerade sökningen båda var avgörande för denna prestanda.

Vad detta kan innebära för familjer och kliniker

Enkelt uttryckt visar studien att det är möjligt att träna ett kompakt, snabbt AI‑system som upptäcker rörelse‑ och interaktionsmönster kopplade till autism, med realistiska mängder datorkraft. Ett sådant verktyg kan hjälpa till att flagga barn i riskzonen tidigare i diagnostikprocessen, särskilt på platser där specialister är få, och kunna stödja kliniker genom att ge ett objektivt andra omdöme. Författarna betonar att deras arbete har begränsningar — det har endast testats i kontrollerade kliniska miljöer med barn från ett enda land, och det förklarar ännu inte sina beslut i mänskliga termer. Ändå tyder resultaten på att självkännande neurala nätverk kan bli en praktisk del av framtida autismscreeningar och bidra till att förkorta den långa väntan många familjer står inför innan de får svar.

Citering: 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

Nyckelord: autismscreening, sökning av neurala arkitekturer, genetiska algoritmer, pose‑estimering, klinisk AI