Dans une étude récente publiée dans Scientific Reports, les chercheurs ont examiné la capacité de l’apprentissage d’ensemble à anticiper et à identifier les caractéristiques qui influencent ou contribuent à la thérapie des troubles du spectre autistique (TSSA) à des fins d’intervention.
Étude: Sur la prédiction efficace du traitement des troubles du spectre autistique à l’aide d’un ensemble de classificateurs. Crédit d’image : Chinnapong/Shutterstock.com
Sommaire
Arrière-plan
Le TSA est une condition développementale qui interfère avec l’interaction sociale, la communication et l’apprentissage. Une identification et un traitement précoces peuvent empêcher la détérioration des maladies et permettre d’économiser de l’argent. Il a été constaté que l’apprentissage d’ensemble, qui mélange de nombreux classificateurs uniques, améliore la précision des prévisions en réduisant la variation.
L’objectif est d’améliorer le diagnostic précoce des TSA et les décisions en matière de tests, ce qui pourrait entraîner des économies considérables en termes de temps, d’argent et même de décès.
Le type de système d’apprentissage d’ensemble, également connu sous le nom de systèmes d’apprentissage à classificateurs multiples (MCLS), doit être déterminé pour offrir le plus d’avantages en termes de taille ou de variété. Les robots pourraient faciliter les traitements à court terme puisque les modèles d’ensemble sont des prédicteurs plus stables et plus efficaces que les classificateurs uniques.
À propos de l’étude
Dans la présente étude, les chercheurs ont utilisé cinq classificateurs uniques versus plusieurs algorithmes MCLS pour prédire les TSA chez les enfants autistes.
Les chercheurs ont évalué l’efficacité des algorithmes d’apprentissage automatique pour prédire l’ASDT chez les enfants autistes recevant des soins assistés par robot par rapport à un groupe témoin recevant uniquement une interaction humaine. Ils ont également étudié les moyens par lesquels l’apprentissage d’ensemble pourrait augmenter la précision des prévisions ASDT.
Ils ont proposé d’utiliser le MCLS pour améliorer le traitement des TSA et évaluer s’il pouvait surmonter les limites prédictives des systèmes d’apprentissage à classificateur unique (SCLS) en raison de leur incapacité à gérer des circonstances de suivi complexes avec une grande précision.
Toutes les combinaisons possibles de classificateurs pour chaque ensemble ont été évaluées afin de comparer les performances d’un seul et de plusieurs classificateurs. Les paramètres physiques les plus importants dans la thérapie ASDT ont été identifiés via la sélection de fonctionnalités à l’aide de techniques basées sur l’arbre de décision (DT).
La recherche a utilisé des données comprenant des informations comportementales et un traitement amélioré par robot (intervention) par rapport à un traitement humain régulier (contrôle) sur la base de 3 000 séances et 300 heures de thérapie enregistrées auprès de 61 enfants autistes de plus de trois ans.
Les deux groupes ont utilisé la procédure d’analyse appliquée du comportement (ABA), qui utilise des principes comportementaux et des observations scientifiques pour améliorer et modifier les comportements socialement pertinents. Les deux participants du groupe ont été soumis à une évaluation initiale, à huit interventions pour les TSA et à une évaluation finale.
Les effets du traitement ont été évalués à l’aide du programme d’observation diagnostique de l’autisme (ADOS) sur la base des différences entre les évaluations initiales et finales.
Cinq classificateurs de base ont été conçus pour les simulations, avec des hyper-paramètres par défaut pour chaque classificateur, utilisant divers types d’estimation ou d’apprentissage paramétrique. L’ensemble de données de formation (60 %), l’ensemble de données de validation (30 %) et l’ensemble de données de test (10 %) ont été analysés pour évaluer les performances du classificateur de base.
L’étude a porté sur le temps d’attente, les contacts sociaux, la communication, les conséquences comportementales et émotionnelles, ainsi que l’efficacité du traitement amélioré par les robots sociaux chez les enfants autistes.
L’ensemble de données comprend des caractéristiques concernant la position de la tête, les mouvements du corps, les mouvements du corps, le regard, l’âge, le sexe, la capacité d’atteindre des objectifs, l’état du traitement, la date du traitement, le diagnostic de TSA et un squelette tridimensionnel.
Résultats
Les résultats expérimentaux ont révélé des variations considérables dans les performances entre les classificateurs individuels pour la prédiction ASDT, les arbres de décision étant les plus précis. DT a surpassé les autres classificateurs de base avec un taux d’erreur lissé de 36 %.
Les autres classificateurs de base affichant des performances supérieures étaient les réseaux de neurones artificiels (ANN), le k-plus proche voisin (k-NN) et la discrimination logistique (LgD), avec des taux d’erreur lissés de 36 %, 39 % et 42 %, respectivement.
Pour les classificateurs uniques, le contact visuel (erreur de validation croisée, 7,5 %) et la communication sociale (erreur de validation croisée, 13 %) étaient les éléments contributifs les plus essentiels au problème du TSA chez les enfants.
Pour la prédiction ASDT, MCLS a obtenu de bien meilleurs résultats que les classificateurs uniques. En particulier, les ensembles à trois classificateurs ont montré les meilleures performances parmi les systèmes MCLS, suivis par ceux à deux classificateurs, avec des taux d’erreur lissés de 21 % et 31 %, respectivement.
Les taux d’erreur les plus faibles ont été signalés pour les classificateurs d’ensembles d’ensachage (23 %) et le renforcement (26 %), suivis de la sélection des fonctionnalités (31 %) et de la randomisation (35 %). Les classificateurs MCLS utilisant des conceptions à plusieurs étapes ont montré les effets les plus significatifs (taux de précision de 74 %), suivis par les conceptions à architecture statique-parallèle et dynamique (taux de précision de 72 % et 68 %, respectivement).
Des interactions bidirectionnelles ont été trouvées entre les méthodes de rééchantillonnage, les systèmes multi-classificateurs et les techniques de rééchantillonnage.
Conclusion
Dans l’ensemble, les résultats de l’étude ont montré que le MCLS parallèle statique avec trois classificateurs construits par ensachage et incorporant des arbres de décision, le voisin le plus proche et la discrimination logistique était le plus efficace pour prédire les TSA.
Le contact visuel et l’interaction sociale semblaient avoir plus d’impact sur le traitement amélioré des TSA que les stéréotypes, le discours non verbal et le contact social.
De futures études pourraient comparer les nourrissons autistes aux adultes autistes et explorer des systèmes cognitifs particuliers qui pourraient être ciblés ou modifiés par les interactions robot-humain.