Séminaire du département informatique

Système de dépistage précoce des TSA chez les tout-petits, basé sur l'oculométrie et l'apprentissage automatique

Constat

Les troubles du spectre autistique (TSA) sont actuellement diagnostiqués principalement par observation clinique, car aucun biomarqueur validé n’est disponible pour une utilisation clinique courante.

Bien que les premiers signes puissent apparaître vers l’âge de 12 mois, un diagnostic formel n’est souvent posé qu’entre 3 et 6 ans.

Pour remédier à ce retard, nous proposons une approche de dépistage précoce des TSA dès l'âge de 9 mois.

Cette procédure permet aux pédiatres d'identifier objectivement les indicateurs précoces du risque de TSA, de favoriser une orientation rapide vers des programmes d'intervention préventive et de réduire potentiellement l'impact à long terme du trouble.

Proposition

Le système proposé présente aux nourrissons une série de vidéos spécialement conçues pour susciter des comportements visuels associés au risque de TSA.

Les données d'oculométrie recueillies pendant le visionnage sont analysées à l'aide de classificateurs d'apprentissage automatique afin d'estimer la probabilité de risque de TSA.

Plusieurs algorithmes ont été évalués, notamment Random Forest, les machines à vecteurs de support (SVM), le perceptron multicouche (MLP), les k plus proches voisins (kNN) et AdaBoost.

Lorsqu'il s'agit de distinguer le développement typique (DT) des niveaux 1, 2 et 3 des TSA, le classificateur le plus performant — le SVM — a atteint une AUC ROC de 0,9005 et une sensibilité de 75,2 %.

Dans une comparaison plus restrictive entre le DT et les niveaux 2 et 3 de l'autisme, le modèle Random Forest a atteint une AUC ROC allant jusqu'à 0,9508 et une sensibilité de 87,64 %.

Apprentissage automatique, suivi du regard, autisme

Daniel Fernández-Lanvin est maître de conférences au département d'informatique de l'université d'Oviedo, en Espagne, où il fait partie du groupe de recherche sur l'interaction homme-machine.

Ses travaux portent sur l'interaction homme-machine, l'expérience utilisateur, l'oculométrie et l'analyse du comportement des utilisateurs à partir de données d'interaction et de techniques d'intelligence artificielle.

Ses travaux explorent comment les schémas d'interaction et l'attention visuelle peuvent être analysés pour mieux comprendre le comportement des utilisateurs et développer des systèmes intelligents dans des domaines tels que la santé numérique, l'accessibilité, l'apprentissage en ligne et l'ergonomie du Web.

Il est l'auteur de nombreuses publications dans des revues et conférences internationales répertoriées dans les principales bases de données, notamment dans des revues telles que Internet Research, Virtual Reality, Multimedia Tools and Applications et l'International Journal of Human-Computer Interaction.

Le Dr Fernández-Lanvin a participé et dirigé plusieurs projets de recherche et d'innovation et collabore avec des équipes interdisciplinaires dans des domaines liés aux technologies de santé numérique et aux systèmes de détection précoce basés sur les données comportementales.

Il supervise également des recherches de doctorat et de master et dispense des cours liés à l'interaction homme-machine et à la conception d'interfaces logicielles à l'université d'Oviedo.