Diagnostic d'autisme assisté par ordinateur basé sur des modèles d'attention visuelle utilisant le suivi oculaire

Aperçu: G.M. 

Un avantage de l'utilisation du suivi oculaire pour le diagnostic est qu'il est non invasif et peut être effectué chez des individus avec différents niveaux fonctionnels et âges. Le diagnostic assisté par ordinateur utilisant des données de suivi oculaire est généralement basé sur des points de fixation oculaire dans certaines régions d'intérêt (ROI) d'une image. Cependant, outre la nécessité de chaque démarcation de ceraines régions d'intérêt  dans chaque image ou trame vidéo utilisée dans l'expérience, la diversité des caractéristiques visuelles contenues dans chaque région d'intérêt  peut compromettre la caractérisation de l'attention visuelle dans chaque groupe (cas ou contrôle) et la précision du diagnostic qui en résulte. Bien que certaines approches utilisent des signaux de suivi oculaire pour faciliter le diagnostic, il est toujours difficile d'identifier les cadres d'intérêt lorsque les vidéos sont utilisées comme stimuli et de sélectionner les caractéristiques pertinentes extraites des vidéos. Ceci est principalement observé dans les applications pour le diagnostic des "troubles du spectre de l'autisme" (TSA). 

Pour résoudre ces problèmes, le présent article propose:
(1) une méthode de calcul, intégrant les concepts des techniques de modèle d'attention visuelle, de traitement d'image et d'intelligence artificielle pour apprendre un modèle pour chaque groupe (cas et contrôle) à l'aide de données de suivi oculaire, et
(2 ) un classificateur supervisé qui, à l'aide des modèles appris, effectue le diagnostic. 

Bien que cette approche ne soit pas spécifique au trouble, elle a été testée dans le cadre du diagnostic de TSA, obtenant une moyenne de précision, de rappel et de spécificité de 90%, 69% et 93%, respectivement.

. 2021 May 12;11(1):10131. doi: 10.1038/s41598-021-89023-8.

Computer-aided autism diagnosis based on visual attention models using eye tracking

Jessica S Oliveira  ¹ , Felipe O Franco  ^{2   3} , Mirian C Revers  ² , Andréia F Silva  ² , Joana Portolese  ² , Helena Brentani  ^{2   3} , Ariane Machado-Lima  ^{1   3} , Fátima L S Nunes  ⁴

Affiliations

• PMID: 33980874
• DOI: 10.1038/s41598-021-89023-8

Free article

Abstract

An advantage of using eye tracking for diagnosis is that it is non-invasive and can be performed in individuals with different functional levels and ages. Computer/aided diagnosis using eye tracking data is commonly based on eye fixation points in some regions of interest (ROI) in an image. However, besides the need for every ROI demarcation in each image or video frame used in the experiment, the diversity of visual features contained in each ROI may compromise the characterization of visual attention in each group (case or control) and consequent diagnosis accuracy. Although some approaches use eye tracking signals for aiding diagnosis, it is still a challenge to identify frames of interest when videos are used as stimuli and to select relevant characteristics extracted from the videos. This is mainly observed in applications for autism spectrum disorder (ASD) diagnosis. To address these issues, the present paper proposes: (1) a computational method, integrating concepts of Visual Attention Model, Image Processing and Artificial Intelligence techniques for learning a model for each group (case and control) using eye tracking data, and (2) a supervised classifier that, using the learned models, performs the diagnosis. Although this approach is not disorder-specific, it was tested in the context of ASD diagnosis, obtaining an average of precision, recall and specificity of 90%, 69% and 93%, respectively.