Seminario del departamento de informática

Sistema de cribado precoz del TEA en niños pequeños, basado en el seguimiento ocular y el aprendizaje automático

Constat

En la actualidad, los trastornos del espectro autista (TEA) se diagnostican principalmente mediante observación clínica, ya que no se dispone de biomarcadores validados para su uso clínico rutinario.

Aunque los primeros signos pueden aparecer en torno a los 12 meses de edad, a menudo no se realiza un diagnóstico formal hasta entre los 3 y los 6 años de edad.

Para remediar este retraso, proponemos un enfoque de detección precoz del TEA a partir de los 9 meses.

Este procedimiento permite a los pediatras identificar objetivamente indicadores tempranos de riesgo de TEA, promover la derivación precoz a programas de intervención preventiva y reducir potencialmente el impacto a largo plazo del trastorno.

.

Propuesta

El sistema propuesto presenta a los bebés una serie de vídeos específicamente diseñados para provocar comportamientos visuales asociados con el riesgo de TEA.

El sistema propuesto presenta a los bebés una serie de vídeos específicamente diseñados para provocar comportamientos visuales asociados con el riesgo de TEA.

Los datos de seguimiento ocular recogidos durante la visualización se analizan utilizando clasificadores de aprendizaje automático para estimar la probabilidad de riesgo de TEA.

Se han evaluado varios algoritmos, entre ellos Random Forest, máquinas de vectores de soporte (SVM), perceptrón multicapa (MLP), k vecinos más cercanos (kNN) y AdaBoost.

Los datos de seguimiento ocular recogidos durante el visionado se analizan utilizando clasificadores de aprendizaje automático para estimar la probabilidad de riesgo de TEA.

Cuando se trató de distinguir el desarrollo típico (DT) de los niveles 1, 2 y 3 de TEA, el clasificador con mejor rendimiento -la SVM- alcanzó un AUC ROC de 0,9005 y una sensibilidad del 75,2%.

El mejor clasificador -la SVM- alcanzó un AUC ROC de 0,9005 y una sensibilidad del 75,2%.

En una comparación más restrictiva entre DT y autismo niveles 2 y 3, el modelo Random Forest logró un AUC ROC de hasta 0,9508 y una sensibilidad del 87,64%.

Aprendizaje automático, seguimiento ocular, autismo

Daniel Fernández-Lanvin es profesor en el Departamento de Informática de la Universidad de Oviedo, España, donde forma parte del grupo de investigación Interacción Persona-Ordenador.

Su trabajo se centra en la interacción persona-ordenador, la experiencia de usuario, el seguimiento ocular y el análisis del comportamiento de los usuarios utilizando datos de interacción y técnicas de inteligencia artificial.

Daniel Fernández-Lanvin es profesor del Departamento de Informática de la Universidad de Oviedo.

Su trabajo explora cómo los patrones de interacción y la atención visual pueden ser analizados para entender mejor el comportamiento del usuario y desarrollar sistemas inteligentes en áreas como la salud digital, la accesibilidad, el e-learning y la usabilidad web.

Es autor de numerosas publicaciones en revistas y conferencias internacionales recogidas en las principales bases de datos, entre las que se incluyen revistas como Internet Research, Virtual Reality, Multimedia Tools and Applications e International Journal of Human-Computer Interaction.

El Dr. Fernández-Lanvin ha participado y liderado varios proyectos de investigación e innovación y colabora con equipos interdisciplinares en áreas relacionadas con las tecnologías digitales de la salud y los sistemas de detección precoz basados en datos de comportamiento.

También supervisa investigaciones de doctorado y máster e imparte cursos relacionados con la interacción persona-ordenador y el diseño de interfaces de software en la Universidad de Oviedo.