Autismespectrumstoornis (ASS) wordt gekenmerkt door sociale communicatieproblemen en beperkte of repetitieve gedragingen. Het vinden van effectieve manieren om ASS te identificeren is van groot belang, gezien de groeiende prevalentie van de aandoening en de beperkte middelen voor evaluatie.
Deze studie, uitgevoerd aan het Severance Hospital van de Yonsei University College of Medicine, gebruikte diepe ensemblemodellen gebaseerd op kunstmatige neurale netwerken om onderscheid te maken tussen netvliesfoto's van individuen met ASS en typische ontwikkeling (TO).
De belangrijkste bevindingen van de studie zijn als volgt:
- De modellen behaalden een uitstekende prestatie bij het onderscheiden van individuen met ASS van degenen met TO, met een gemiddelde AUROC (gebied onder de ontvangende operationele karakteristiek curve) van 1,00 op de testset, wat wijst op een nauwkeurigheid van 100%.
- De modellen behielden een hoge nauwkeurigheid, zelfs wanneer slechts 10% van het netvliesgebied met de oogzenuw werd gebruikt.
- Voor het beoordelen van de ernst van ASS-symptomen behaalden de modellen een gemiddelde AUROC van 0,74, met een gevoeligheid van 0,58 en specificiteit van 0,74 op de testset.
Deze resultaten suggereren dat netvliesfoto's mogelijk kunnen worden ingezet als objectief screeningsinstrument voor ASS. Bovendien zou het gebruik van netvliesfoto's de snelheid van het screeningproces kunnen verbeteren, waardoor de toegankelijkheid tot gespecialiseerde kinderpsychiatrische beoordelingen kan toenemen, vooral in situaties waarin middelen beperkt zijn.
Hoewel verdere onderzoeken en validaties nodig zijn om deze benadering te verfijnen en de algemene toepasbaarheid ervan te beoordelen, vertegenwoordigt deze studie een veelbelovende stap richting het verbeteren van de vroege detectie van ASS en het begrijpen van de relatie tussen netvliesveranderingen en de aandoening.
Bron:
Development of Deep Ensembles to Screen for Autism and Symptom Severity Using Retinal Photographs
