Un modèle d'IA peut identifier les tout-petits à risque d'autisme avec une précision de 80 %, selon une étude

Des recherches récentes ont démontré le potentiel de l’intelligence artificielle (IA) pour aider à identifier les tout-petits à risque d’autisme, avec un taux de précision d’environ 80 % pour les enfants de moins de deux ans.

Artificial intelligence (AI) has shown promise in aiding the identification of toddlers at risk of autism, with an accuracy rate of about 80% for children under two, according to recent research.

L'intelligence artificielle (IA) s'est révélée prometteuse pour faciliter l'identification des tout-petits à risque d'autisme, avec un taux de précision d'environ 80 % pour les enfants de moins de deux ans, selon des recherches récentes.

A team of researchers from the Karolinska Institutet in Sweden developed a machine learning-based screening system. While the AI model cannot replace traditional diagnostic methods, it could help identify children early on who may need further clinical evaluation.

Une équipe de chercheurs du Karolinska Institutet en Suède a développé un système de dépistage basé sur l'apprentissage automatique. Bien que le modèle d’IA ne puisse pas remplacer les méthodes de diagnostic traditionnelles, il pourrait aider à identifier très tôt les enfants qui pourraient avoir besoin d’une évaluation clinique plus approfondie.

“Using [the] AI model, it can be possible to use available information and identify individuals with an elevated likelihood for autism so that they can get earlier diagnosis and help,” said Dr. Kristiina Tammimies, a study co-author.

"En utilisant [le] modèle d'IA, il peut être possible d'utiliser les informations disponibles et d'identifier les personnes présentant un risque élevé d'autisme afin qu'elles puissent obtenir un diagnostic et une aide plus précoces", a déclaré le Dr Kristiina Tammimies, co-auteur de l'étude.

However, she cautioned that the model should not be viewed as a standalone diagnostic tool, reiterating that the final diagnosis should be conducted through standard clinical methods.

Cependant, elle a averti que le modèle ne doit pas être considéré comme un outil de diagnostic autonome, réitérant que le diagnostic final doit être effectué au moyen de méthodes cliniques standard.

The AI model was developed using data from the U.S.-based Spark study, which provided information on 15,330 children diagnosed with autism and an equal number of children without the condition.

Le modèle d'IA a été développé à l'aide des données de l'étude Spark, basée aux États-Unis, qui a fourni des informations sur 15 330 enfants diagnostiqués autistes et un nombre égal d'enfants non atteints.

From medical and background questionnaires, the researchers selected 28 measures that could be easily obtained before children reach 24 months of age, such as age at first smile, eating behaviors and age at first construction of longer sentences.

À partir de questionnaires médicaux et contextuels, les chercheurs ont sélectionné 28 mesures qui pourraient être facilement obtenues avant que les enfants n'atteignent l'âge de 24 mois, telles que l'âge au premier sourire, les comportements alimentaires et l'âge à la première construction de phrases plus longues.

Using machine learning to analyze patterns in the data, the research team compared the identified patterns between autistic and non-autistic children to build four different models, selecting the most effective one for further testing.

Utilisant l'apprentissage automatique pour analyser les modèles dans les données, l'équipe de recherche a comparé les modèles identifiés entre les enfants autistes et non autistes pour créer quatre modèles différents, en sélectionnant le plus efficace pour des tests plus approfondis.

When applied to a separate dataset of 11,936 participants, the model correctly identified 78.9% of the children as either autistic or non-autistic. Specifically, the accuracy was 78.5% for children aged up to two years, 84.2% for those aged two to four years and 79.2% for those aged four to ten years.

Lorsqu'il est appliqué à un ensemble de données distinct de 11 936 participants, le modèle a correctement identifié 78,9 % des enfants comme étant autistes ou non autistes. Plus précisément, la précision était de 78,5 % pour les enfants âgés de moins de deux ans, de 84,2 % pour ceux âgés de deux à quatre ans et de 79,2 % pour ceux âgés de quatre à dix ans.

An additional test using a dataset of 2,854 autistic individuals resulted in a lower accuracy rate of 68%, which the researchers attributed to differences in the dataset, including some missing parameters.

Un test supplémentaire utilisant un ensemble de données de 2 854 personnes autistes a abouti à un taux de précision inférieur de 68 %, que les chercheurs ont attribué aux différences dans l'ensemble de données, notamment à certains paramètres manquants.

The study identified several key measures that significantly influenced the AI model's prediction of autism, including problems with eating certain foods, the age at which a child first constructed longer sentences, the age at which a child achieved potty training and the age at which a child first smiled.

L'étude a identifié plusieurs mesures clés qui ont influencé de manière significative la prédiction de l'autisme par le modèle d'IA, notamment les problèmes liés à la consommation de certains aliments, l'âge auquel un enfant a construit pour la première fois des phrases plus longues, l'âge auquel un enfant a atteint l'apprentissage de la propreté et l'âge auquel un enfant sourit d'abord.

These factors, according to the research team, played a crucial role in the model’s ability to differentiate between autistic and non-autistic children.

Ces facteurs, selon l'équipe de recherche, ont joué un rôle crucial dans la capacité du modèle à différencier les enfants autistes et non autistes.

Further analysis revealed that the model tended to identify autism more accurately in individuals who exhibited more severe symptoms and broader developmental issues. This finding suggests that the model might be more effective at recognizing cases with more noticeable developmental challenges accompanying autism.

Une analyse plus approfondie a révélé que le modèle avait tendance à identifier l'autisme avec plus de précision chez les personnes présentant des symptômes plus graves et des problèmes de développement plus larges. Cette découverte suggère que le modèle pourrait être plus efficace pour reconnaître les cas présentant des problèmes de développement plus visibles accompagnant l'autisme.

Despite the promising results, some experts expressed concerns about the model's ability to correctly identify non-autistic children. With an 80% accuracy rate, the model could potentially lead to overdiagnosis and unnecessary stress for families, as 20% of non-autistic children might be incorrectly flagged as possibly autistic.

Malgré les résultats prometteurs, certains experts ont exprimé leurs inquiétudes quant à la capacité du modèle à identifier correctement les enfants non autistes. Avec un taux de précision de 80 %, le modèle pourrait potentiellement conduire à un surdiagnostic et à un stress inutile pour les familles, puisque 20 % des enfants non autistes pourraient être signalés à tort comme étant potentiellement autistes.

Professor Ginny Russell from the University of Exeter sounded a note of caution regarding the push for early diagnosis, especially in very young children.

Le professeur Ginny Russell de l'Université d'Exeter a lancé une mise en garde concernant la promotion d'un diagnostic précoce, en particulier chez les très jeunes enfants.

“It can be hard to tell the difference between a toddler who has a severe impairment and one who is simply developing more slowly but will eventually ‘catch up.’ I would not recommend applying psychiatric labels to children under the age of two on the basis of a limited range of behavioral indicators, such as whether they eat certain foods,” Russell said.

« Il peut être difficile de faire la différence entre un tout-petit qui a une déficience grave et un autre qui se développe simplement plus lentement mais qui finira par « rattraper son retard ». Je ne recommanderais pas d’appliquer des étiquettes psychiatriques aux enfants de moins de deux ans sur la base d’une gamme limitée d’indicateurs comportementaux, comme s’ils mangent certains aliments », a déclaré Russell.