Modèle d'apprentissage automatique pour la détection des troubles du spectre autistique à l'aide de signaux électrorétinographiquesMachine learning model for the detection of autism spectrum disorder using electroretinogram signals.
- L'électrorétinogramme (ERG) mesure la réponse électrique de la rétine et est lié au cerveau, offrant un biomarqueur potentiel pour l'autisme.
- Le cadre UMAP-ERG transforme les signaux ERG en motifs discriminants et utilise SMOTE pour équilibrer les classes.
- Avec un classifieur SVM, le modèle atteint une AUC de 0,98, une précision de 0,96, une sensibilité de 0,93 et une spécificité de 0,98.
Article original présentant un nouvel outil diagnostique basé sur l'ERG et l'IA pour l'ASD, avec des performances élevées (AUC 0,98). Pertinent pour la détection précoce en neurodéveloppement. Note 80 car bien que prometteur, l'échantillon est modeste et nécessite validation externe.
L'étude comporte un échantillon de taille modérée (N=106), ce qui limite la généralisabilité. Le déséquilibre des classes entre ASD et contrôles est traité par SMOTE, mais les données synthétiques peuvent introduire des biais. Les résultats varient selon la force de flash, et les mécanismes sous-jacents de la réponse ERG dans l'ASD ne sont pas explorés. La validation sur des cohortes indépendantes et diverses est nécessaire avant une application clinique.
Cette étude propose un cadre d'apprentissage automatique, UMAP-ERG, combinant UMAP, SMOTE et classifieurs conventionnels pour détecter l'autisme à partir de signaux électrorétinographiques (ERG). Sur 106 participants, le modèle SVM a atteint une AUC de 0,98, une précision de 0,96, une sensibilité de 0,93 et une spécificité de 0,98, surpassant les modèles existants de 7 à 15 %. Les forces de flash faibles (0,114 à -0,119 cd·s·m−2) offrent les meilleurs résultats. L'outil vise à aider les cliniciens dans le diagnostic précoce de l'ASD.
L'électrorétinogramme (ERG) mesure la réponse électrique de la rétine et est lié au cerveau, offrant un biomarqueur potentiel pour l'autisme. Le cadre UMAP-ERG transforme les signaux ERG en motifs discriminants et utilise SMOTE pour équilibrer les classes. Avec un classifieur SVM, le modèle atteint une AUC de 0,98, une précision de 0,96, une sensibilité de 0,93 et une spécificité de 0,98. Les forces de flash faibles améliorent les performances de classification par rapport aux forces moyennes et élevées. UMAP-ERG surpasse les modèles de pointe basés sur gMLP et VFCDM avec une amélioration de la précision de 7 à 15 %.
Cet outil pourrait faciliter le dépistage précoce et objectif de l'ASD, réduisant la dépendance à l'expertise clinique subjective. Les ophtalmologistes et neuro-ophtalmologistes pourraient intégrer l'ERG avec l'IA pour améliorer les décisions diagnostiques. L'identification des forces de flash optimales guide la standardisation des protocoles ERG pour le diagnostic de l'ASD.
Élevé