Deep Learning-based Detection of Motor Biomarkers for Autism from Children's Video Recordings

Contexte : Le trouble du spectre de l'autisme (TSA) est un trouble neurodéveloppemental diagnostiqué précocement, mais les méthodes actuelles reposent sur des observations subjectives et peu scalables. L'objectif de cette étude est de proposer un outil de dépistage objectif et fiable basé sur l'analyse des comportements moteurs extraits de vidéos d'enfants enregistrées à domicile. Objectif : Développer un modèle hybride d'apprentissage profond capable de détecter le TSA avec une précision élevée en analysant des biomarqueurs moteurs. Méthode : Les coordonnées articulaires ont été extraites via le modèle MediaPipe Pose. Des caractéristiques spatiales, temporelles, fréquentielles et de coordination ont été calculées, puis traitées par une architecture combinant CNN (pour les motifs spatiaux), BiLSTM (pour les dynamiques temporelles) et un mécanisme d'attention (pour identifier les segments critiques). Résultats : Le modèle atteint plus de 97 % de précision sur des jeux de données fermés et plus de 83 % sur des vidéos publiques (YouTube, TikTok), démontrant sa robustesse dans des conditions contrôlées et réelles. Intérêt clinique : Cet outil offre une solution objective, scalable et applicable en clinique, surmontant les limites des environnements artificiels et des données restreintes. Limites : Les résultats sur les vidéos publiques (83 %) sont moins élevés que sur les jeux de données fermés, ce qui suggère une possible sensibilité aux variations de qualité ou de contexte des enregistrements réels.

dépistage du TSA apprentissage profond biomarqueurs moteurs videos à domicile modèle hybride CNN-BiLSTM

dépistage précoce objectif réduction de la subjectivité diagnostique outil applicable en milieu réel

performance moindre sur les vidéos publiques manque de précision sur des populations diversifiées non mentionnées

Preprint