Uma estrutura de aprendizado profundo com múltiplos filtros e transferência para detecção de transtorno do espectro autista baseada em imagens

Abstract

O Transtorno do Espectro Autista (TEA) afeta aproximadamente 1% da população mundial e é caracterizado por dificuldades na comunicação social e comportamentos repetitivos ou obsessivos. A detecção precoce do autismo é crucial, pois permite que intervenções terapêuticas sejam iniciadas mais cedo, aumentando significativamente a eficácia dos tratamentos. No entanto, diagnosticar o TEA continua sendo um desafio, pois é tradicionalmente realizado por meio de métodos que são frequentemente subjetivos e baseados em entrevistas e observações clínicas. Com o avanço das técnicas de visão computacional e reconhecimento de padrões, novas possibilidades estão surgindo para automatizar e aprimorar a detecção de características associadas ao TEA, particularmente na análise de traços faciais. Neste estudo, foi proposto um novo framework que integra aumento de dados, rotinas de multifiltragem, equalização de histograma e um processo de redução de dimensionalidade em duas etapas para enriquecer a representação em modelos de rede neural profunda pré-treinados e congelados aplicados ao reconhecimento de padrões de imagem. Experimentos foram conduzidos usando oito modelos pré-treinados em um conjunto de dados faciais bem estabelecido na literatura, que compreende amostras de indivíduos autistas e não autistas. Os resultados mostraram que o framework proposto melhorou a precisão dos modelos em até 9% em termos absolutos. Esses achados sugerem que o framework é uma ferramenta promissora para a detecção automatizada de autismo, oferecendo um aprimoramento eficiente em abordagens tradicionais baseadas em aprendizado profundo para auxiliar no diagnóstico precoce e mais preciso.

Autism Spectrum Disorder (ASD) affects approximately 1% of the global population and is 2 characterized by difficulties in social communication and repetitive or obsessive behaviors. Early detection 3 of autism is crucial, as it allows therapeutic interventions to be initiated earlier, significantly increasing the 4 effectiveness of treatments. However, diagnosing ASD remains a challenge, as it is traditionally carried 5 out through methods that are often subjective and based on interviews and clinical observations. With the 6 advancement of computer vision and pattern recognition techniques, new possibilities are emerging to automate 7 and enhance the detection of characteristics associated with ASD, particularly in the analysis of facial features. 8 In this study, we propose a novel framework that integrates data augmentation, multi-filtering routines, histogram 9 equalization, and a two-stage dimensionality reduction process to enrich the representation in pre-trained and 10 frozen deep learning neural network models applied to image pattern recognition. Experiments were conducted 11 using eight pre-trained models on a well-established facial dataset in the literature, which comprises samples 12 of both autistic and non-autistic individuals. The results showed that the proposed framework improved the 13 accuracy of the models by up to 9% in absolute terms. These findings suggest that the framework is a promising 14 tool for the automated detection of autism, offering an efficient improvement in traditional deep learning-based 15 approaches to assist in early and more accurate diagnosis.