Réseaux de neurones graphiques et architectures séquentielles pour la détection de l'autisme à partir de biomarqueurs d'oculométrie : une étude multi-siteGraph Neural Networks and sequential architectures for autism detection from eye-tracking biomarkers: a multi-site study.
- Le LSTM a atteint l'AUC la plus élevée (0,859), suivi du GNN avec attention (0,855), sans différence significative entre eux.
- L'ajout de mécanismes d'attention n'a pas significativement amélioré les performances du GNN (AUC = 0,823 sans attention, p = 0,102).
- Les performances des modèles sont restées cohérentes entre les deux jeux de données (paradigmes d'acquisition différents), soutenant la généralisation inter-site.
Article très pertinent pour la veille sur le TSA et les outils diagnostiques objectifs. La comparaison systématique de différentes architectures neuronales sur des données multi-sites apporte une valeur ajoutée. Cependant, l'échantillon modeste limite le niveau de preuve.
La taille de l'échantillon est relativement petite (84 participants), ce qui limite la puissance statistique et la généralisation. Les deux jeux de données proviennent de pays européens avec des paradigmes différents ; la validation dans des populations plus diverses est nécessaire. L'étude ne rapporte pas la mise en œuvre clinique réelle ; la faisabilité en pratique courante reste à démontrer. Les modèles n'ont pas été testés sur d'autres types de biomarqueurs ou en combinaison avec des évaluations cliniques.
Cette étude compare plusieurs architectures de réseaux de neurones (GNN, LSTM, MLP) pour la détection du trouble du spectre autistique (TSA) à partir de données d'eye-tracking multimodales. Deux jeux de données indépendants (CILIA, France, 57 participants ; Saliency4ASD, Italie, 27 participants) ont été combinés pour former une cohorte européenne de 84 participants (40 TSA, 44 typiques). Les modèles ont été évalués par validation croisée leave-one-subject-out. Le LSTM a obtenu la meilleure AUC (0,859), suivi du GNN avec attention (0,855). Les performances étaient stables entre les deux jeux de données, démontrant une bonne généralisation. Les modèles offrent une spécificité élevée (93,2 % pour le GNN avec attention) et pourraient permettre un dépistage objectif et rapide du TSA, même dans des contextes aux ressources limitées.
Le LSTM a atteint l'AUC la plus élevée (0,859), suivi du GNN avec attention (0,855), sans différence significative entre eux. L'ajout de mécanismes d'attention n'a pas significativement amélioré les performances du GNN (AUC = 0,823 sans attention, p = 0,102). Les performances des modèles sont restées cohérentes entre les deux jeux de données (paradigmes d'acquisition différents), soutenant la généralisation inter-site. Le GNN avec attention a montré la meilleure spécificité (93,2 %) et valeur prédictive positive (90,6 %). Tous les modèles ont produit de grandes tailles d'effet (d de Cohen > 1,0) pour discriminer les participants TSA des typiques.
Les modèles basés sur l'eye-tracking pourraient offrir une méthode objective et rapide de dépistage du TSA, applicable en routine clinique. La capacité de généralisation inter-site et inter-paradigme suggère une robustesse pour une utilisation multisite. En raison de la haute spécificité, ces modèles pourraient réduire les faux positifs dans le dépistage du TSA. Ces approches pourraient être déployées dans des contextes à ressources limitées pour faciliter une intervention précoce.
Modéré