KI erkennt Autismus durch subtile Handbewegungen

MÜNCHEN (IT BOLTWISE) – Eine neue Studie zeigt, dass subtile Unterschiede in der Art und Weise, wie Menschen alltägliche Objekte greifen, zur Identifizierung von Autismus beitragen können.

Eine kürzlich veröffentlichte Studie hat gezeigt, dass subtile Unterschiede in der Art und Weise, wie Menschen alltägliche Objekte greifen, zur Identifizierung von Autismus beitragen können. Die Forschung, die in der Fachzeitschrift Autism Research veröffentlicht wurde, zeigt, dass durch die Analyse feiner motorischer Bewegungen von jungen Erwachsenen während einer einfachen Greifaufgabe autistische von nicht-autistischen Personen mit einer Genauigkeit von über 84 % unterschieden werden können. Diese Erkenntnisse deuten darauf hin, dass kleine Variationen in der motorischen Kontrolle als zuverlässige Indikatoren für Autismus dienen könnten, was den Weg für nicht-invasive Diagnosewerkzeuge auf Basis natürlichen Verhaltens ebnen könnte.

Autismus ist eine neuroentwicklungsbedingte Störung, die durch soziale und kommunikative Herausforderungen sowie repetitive Verhaltensweisen gekennzeichnet ist. Bewegungsunterschiede, oft als motorische Anomalien bezeichnet, sind ebenfalls häufig und können bereits im Säuglingsalter auftreten, lange bevor die Kernsymptome im sozialen Bereich offensichtlich werden. Frühere Studien haben gezeigt, dass viele autistische Personen veränderte Koordination, Ungeschicklichkeit oder inkonsistente Bewegungsmuster aufweisen. Diese motorischen Probleme werden mittlerweile als mehr als nur sekundäre Symptome anerkannt; sie könnten grundlegende Unterschiede in der Verarbeitung sensorischer und motorischer Informationen im autistischen Gehirn widerspiegeln.

Aufgrund dieser Erkenntnisse haben Forscher begonnen zu untersuchen, ob spezifische Bewegungsmuster bei der Identifizierung von Autismus helfen könnten. Insbesondere Greifbewegungen, die zu den grundlegendsten und häufigsten Handlungen gehören, bieten Einblicke in die motorische Planung und Kontrolle. Frühere Studien berichteten, dass autistische Personen während dieser Aktionen charakteristische Muster zeigen, wie langsamere Bewegungsgeschwindigkeiten oder verzögerte Handformung. Dennoch nutzten die meisten Studien künstliche Aufgaben oder maßen nur eine begrenzte Anzahl von Bewegungsmerkmalen. Diese neue Forschung wollte testen, ob eine naturalistische, realitätsnahe Greifaufgabe mit minimaler Ausrüstung genügend Informationen liefern könnte, um Teilnehmer zuverlässig basierend auf einer Autismusdiagnose zu klassifizieren.

Die Forscher rekrutierten 59 junge Erwachsene, 31 autistische und 28 nicht-autistische, die in Alter und IQ übereinstimmten. Jeder Teilnehmer wurde gebeten, eine Reihe von rechteckigen Objekten unterschiedlicher Länge nur mit Daumen und Zeigefinger zu greifen. Die Bewegungen wurden mit einem Bewegungserfassungssystem aufgezeichnet, das die dreidimensionalen Positionen der Finger während jedes Griffs überwachte. Nur zwei passive Marker, einer am Daumen und einer am Zeigefinger, wurden verwendet. Dieses minimale Setup ermöglichte einen praktischeren und zugänglicheren Ansatz als frühere Studien, die Ganzkörper-Bewegungserfassung oder komplexe Ausrüstung verwendeten.

Jeder Teilnehmer absolvierte 120 Greifversuche. Aus den aufgezeichneten Daten extrahierten die Forscher über ein Dutzend kinematischer Merkmale, wie den maximalen Abstand zwischen den Fingern während eines Griffs, die Geschwindigkeit der Fingerbewegung, die Dauer der Bewegung und die Flugbahn der Finger im Raum. Diese Merkmale erfassten wesentliche Aspekte der Handsteuerung durch das Gehirn während der Objektinteraktion.

Um zu untersuchen, ob diese Merkmale Autismus vorhersagen könnten, trainierten die Forscher fünf Arten von maschinellen Lernmodellen, darunter logistische Regression, Support-Vektor-Maschinen und Entscheidungsbaum-Ensembles. Wichtig ist, dass die Modelle mit einem „Leave-One-Subject-Out“-Ansatz trainiert und getestet wurden. Das bedeutet, dass der Algorithmus von allen Teilnehmern außer einem lernte und dann versuchte, vorherzusagen, ob dieser ausgelassene Teilnehmer autistisch war. Dieser Prozess wurde wiederholt, bis jeder Teilnehmer einmal ausgelassen wurde. Diese Methode stellt sicher, dass die Ergebnisse nicht auf die Daten eines einzelnen Teilnehmers überangepasst sind und über Personen hinweg verallgemeinert werden können.

Über alle fünf Modelle hinweg überstieg die Genauigkeit der Klassifizierung von autistischen gegenüber nicht-autistischen Teilnehmern 84 %, wobei einige Modelle 89 % erreichten. Diese Ergebnisse blieben stark, selbst wenn die Leistung auf einzelnen Versuchen und nicht nur auf Durchschnittswerten über die Teilnehmer hinweg bewertet wurde. Darüber hinaus erreichten die Modelle AUC-Werte von über 0,95 auf Subjektebene, was bedeutet, dass sie eine ausgezeichnete Diskriminierungsfähigkeit hatten.

Interessanterweise testeten die Forscher auch, ob weniger Merkmale immer noch gute Ergebnisse liefern könnten. Sie erstellten kleinere Modelle mit nur acht kinematischen Variablen, die nicht stark miteinander korreliert waren. Selbst mit diesem reduzierten Merkmalsatz blieb die Klassifizierungsgenauigkeit hoch, über 82 %. Diese Merkmale umfassten verschiedene Bereiche, einschließlich Timing (wie wann die Finger die maximale Trennung erreichten), Geschwindigkeit (wie schnell sich die Hand bewegte) und räumliche Position (wohin die Finger im Raum reisten). Diese Erkenntnis legt nahe, dass autismusbezogene motorische Unterschiede über mehrere Aspekte des Greifverhaltens verteilt sind und kein einzelnes Merkmal alles erklärt.

Im Gegensatz dazu schnitten die Modelle schlechter ab, wenn die Forscher Merkmale auswählten, die stark miteinander korreliert waren, oft solche, die häufig in der motorischen Kontrollforschung verwendet werden. Dies unterstreicht die Bedeutung der Auswahl von Merkmalen, die unterschiedliche Dimensionen der Bewegung erfassen, wenn maschinelles Lernen zur Klassifizierung verwendet wird.

Die Studie replizierte auch einige bekannte Unterschiede zwischen autistischen und nicht-autistischen Personen auf Gruppenebene. Autistische Teilnehmer zeigten längere Bewegungszeiten, was bedeutet, dass sie mehr Zeit benötigten, um das Objekt zu greifen. Sie zeigten auch leicht unterschiedliche Zeitabläufe, wie ihre Finger sich während der Bewegung öffneten und schlossen, insbesondere wenn die Objektgröße variierte. Diese Gruppenvergleiche, obwohl informativ, waren jedoch nicht so zuverlässig für die Unterscheidung einzelner Teilnehmer wie die maschinellen Lernmodelle.

Die Forscher betonen, dass die Stärke ihres Ansatzes in seiner Einfachheit liegt. Durch die Verwendung von nur zwei Markern und einer unkomplizierten Greifaufgabe zeigten sie, dass autismusbezogene motorische Unterschiede in einer natürlichen, unaufdringlichen Umgebung erkannt werden können. Im Gegensatz zu Studien, die auf Gehirnscans, komplexen Diagnoseinterviews oder künstlichen Aufgaben beruhen, könnte diese Methode leicht für den Einsatz in Kliniken oder Schulen angepasst werden. Sie könnte auch helfen, autistische Personen zu identifizieren, die die traditionellen Diagnosekriterien nicht erfüllen, aber dennoch Herausforderungen in der motorischen Kontrolle erleben.

Die Studie hat jedoch einige Einschränkungen. Die Stichprobe bestand nur aus jungen Erwachsenen mit normalem IQ. Es ist unklar, ob die gleichen Methoden bei Kindern, die ein primäres Ziel für eine frühe Diagnose sind, ebenso gut funktionieren würden. Darüber hinaus versuchten die Modelle zwar erfolgreich, autistische von nicht-autistischen Teilnehmern zu unterscheiden, sie versuchten jedoch nicht, Subtypen von Autismus zu klassifizieren oder die Schwere der Symptome vorherzusagen. Zukünftige Studien könnten diesen Ansatz auf jüngere Populationen ausweiten oder untersuchen, ob Greifmuster mit anderen Merkmalen korrelieren, wie sensorische Empfindlichkeiten oder soziale Verhaltensweisen.

Langfristig ist das Ziel der Forscher, zu verstehen, wie sich visuelle und motorische Verhaltensweisen im Laufe des Lebens sowohl in der typischen als auch in der atypischen Entwicklung entfalten. Durch die Integration von Computerwerkzeugen mit Verhaltensdaten hoffen sie, robuste Marker für Gehirnfunktion und -dysfunktion zu entdecken. Letztendlich könnte dies zur Schaffung einfacher, zugänglicher Diagnosewerkzeuge auf Basis alltäglicher Bewegungen führen.

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!