Minería de datos multimedia basada en aprendizaje profundo para el diagnóstico del trastorno del espectro autista (TEA)

El trastorno del espectro autista (TEA) es un trastorno del neurodesarrollo caracterizado por deficiencias en la comunicación social y patrones de comportamiento restringidos y repetitivos. Minería de datos en diagnóstico de autismo.

El diagnóstico temprano de TEA es vital para promover una intervención temprana y obtener resultados de desarrollo positivos. Los procedimientos de diagnóstico tradicionales para TAE incluyen la observación conductual estructurada por parte de un médico capacitado. Los diagnosticadores generalmente confían en el Autism Diagnostic Observation Schedule (ADOS-2) para cuantificar los síntomas del TEA. En este artículo, adoptamos un enfoque paralelo e investigamos las modalidades del lenguaje, y descubrimos asociaciones entre medidas objetivas de la comunicación social y los síntomas del TEA. Analizamos 33 niños con autismo y extraemos sus patrones lingüísticos de sus conversaciones con diagnosticadores en un entorno clínico. Nuestros métodos utilizan redes de memoria a largo y corto plazo (LSTM) para aprender la detección de actividad del habla (Speech Activity Detection, SAD) y los patrones de diarización del hablante para generar las métricas vocales de toma de turnos. Luego usamos nuestro nuevo pipeline propuesto para predecir las puntuaciones de gravedad calibradas (Calibrated Severity Scores, CSS) de ADOS-2 de afecto social (Social Affect, SA). El marco propuesto logra estimaciones de diagnóstico predictivo de última generación de la gravedad del TEA en comparación con los algoritmos líderes de la industria. Los resultados comparados con el sistema de adquisición del lenguaje Languaje ENvironment Analysis (LENA) y otros algoritmos indican una mejora significativa en la medida R 2.

Leer mas:

S. Sadiq, M. Castellanos, J. Moffitt, M. Shyu, L. Perry and D. Messinger, Deep Learning Based Multimedia Data Mining for Autism Spectrum Disorder (ASD) Diagnosis, 2019 International Conference on Data Mining Workshops (ICDMW), Beijing, China, 2019, pp. 847-854, doi: 10.1109/ICDMW.2019.00124.