Métodos de IA muestran potencial en la detección del autismo mediante imágenes faciales y datos del DSM-5
Estudio explora la IA para la detección del trastorno del espectro autista
Investigadores han analizado el potencial de técnicas de inteligencia artificial (IA) para ayudar en la detección del trastorno del espectro autista (TEA) mediante el análisis de imágenes faciales y datos estructurados de listas de verificación diagnósticas. Aunque la IA muestra resultados alentadores al identificar patrones asociados con el TEA, los expertos enfatizan que estos métodos no sustituyen evaluaciones clínicas integrales.
Metodología y fuentes de datos
El estudio utilizó dos tipos principales de datos: fotografías faciales y registros de listas de verificación del DSM-5. Específicamente, los investigadores analizaron 268 registros del DSM-5 divididos equitativamente entre niños diagnosticados con TEA y sin TEA. Además, se incluyeron 162 imágenes faciales de 92 niños locales (43 con TEA, 49 sin TEA). También se utilizaron conjuntos de datos de imágenes disponibles públicamente en Kaggle, que comprendían 2,536 imágenes balanceadas entre clases con y sin TEA.
Dos arquitecturas de IA, EfficientNet-B2 y ResNet50, fueron entrenadas bajo dos escenarios: uno usando únicamente el conjunto de datos de Kaggle y otro combinando imágenes de Kaggle con un pequeño número de imágenes locales. El estudio aseguró cuidadosamente que las imágenes del mismo niño no se dividieran entre los grupos de entrenamiento y prueba para evitar filtración de datos.
Hallazgos clave
El análisis de los datos de la lista de verificación del DSM-5 mostró una alta precisión, clasificando correctamente el estado de TEA en el 92.5% de los casos con un área bajo la curva ROC (AUC) de 0.984, lo que indica una fuerte concordancia con los diagnósticos asignados por psiquiatras.
En contraste, el desempeño de la IA en imágenes faciales varió considerablemente. Cuando se entrenó solo con datos de Kaggle, ResNet50 alcanzó una precisión del 68.4% en niños locales de prueba tras la adaptación, mientras que EfficientNet-B2 obtuvo un 42.1% sin adaptación y mejoró a 68.4% con adaptación. Usando el conjunto combinado de entrenamiento, EfficientNet-B2 alcanzó hasta un 78.6% de precisión después de la adaptación, mientras que ResNet50 logró un 85.7%. Sin embargo, estos resultados son preliminares y se basan en muestras locales relativamente pequeñas.
Implicaciones para familias y clínicos
Los hallazgos sugieren que los modelos de IA entrenados con imágenes faciales pueden captar algunas características asociadas con el TEA, pero su precisión depende de la arquitectura específica de IA, el conjunto de datos de entrenamiento y si el modelo está adaptado a poblaciones locales. La lista de verificación del DSM-5 sigue siendo una herramienta altamente confiable para la detección cuando es utilizada por profesionales capacitados.
Las familias y los clínicos deben entender que las herramientas de detección basadas en IA aún están en etapas iniciales y no pueden reemplazar evaluaciones clínicas exhaustivas. Estas tecnologías podrían eventualmente apoyar los esfuerzos de identificación temprana, pero requieren validación adicional.
Limitaciones y direcciones futuras
Los autores del estudio advierten que los modelos de IA basados en imágenes aún no han demostrado validez clínica ni la capacidad de diagnosticar autónomamente el TEA. El tamaño relativamente pequeño de las cohortes locales de prueba limita la generalización de los resultados. Recomiendan estudios prospectivos, multicéntricos y de mayor tamaño con estándares de referencia independientes para evaluar las herramientas de detección basadas en IA antes de su implementación clínica.
En general, aunque los enfoques de IA muestran potencial para complementar los métodos existentes de detección del TEA, se necesita una investigación más rigurosa para confirmar su precisión y utilidad en poblaciones diversas.
Para más detalles, consulte el estudio original publicado en Health Science Reports: Enfoques basados en inteligencia artificial para la detección del autismo usando imágenes faciales y datos de la lista de verificación DSM-5: un estudio metodológico.
Descarga las imágenes de este artículo
