Orang tua dan dokter menghadapi dilema yang sulit ketika datang untuk mendeteksi dan mengobati gangguan spektrum autisme (ASD) pada anak-anak. Tapi kini dengan kemampuan Machine Learning yang ditawarkan AWS, riset kedokteran bisa melakukan banyak hal untuk mengetahui autism pada anak.
Sangat penting untuk mendiagnosis ASD sedini mungkin dalam perkembangan anak. Memulai pengobatan untuk ASD pada usia 18 hingga 24 bulan dapat meningkatkan IQ anak hingga 17 poin — dalam beberapa kasus memindahkan mereka ke kisaran IQ anak “rata-rata” 90-110 (atau di atasnya) —dan, pada gilirannya , secara signifikan meningkatkan kualitas hidup mereka. Terlebih lagi, intervensi awal dapat menyelamatkan seseorang dengan ASD hingga $ 1,2 juta dalam biaya medis seumur hidup, menurut Geraldine Dawson, direktur Duke Centre for Autism and Brain Development.
Tetapi proses skrining awal saat ini tidak terlalu akurat karena bergantung pada kuesioner yang orang tua jawab tentang perilaku anak mereka (biasanya pada pemeriksaan 18 bulan anak). Dan kuesioner ini sering menghasilkan positif palsu. Bahkan, dari anak-anak yang orang tuanya melaporkan tanda-tanda awal ASD pada kuesioner, Dawson mengatakan hanya 50 persen yang diagnosisnya dikonfirmasi oleh dokter ASD berlisensi. Dan karena ada begitu sedikit dokter ASD berlisensi yang memenuhi syarat untuk menindaklanjuti dengan banyak orang tua yang melaporkan dugaan ASD melalui kuesioner, waktu tunggu untuk anak-anak untuk menerima diagnosis bisa lebih baik setelah ulang tahun ketiga anak – menunda perawatan melewati jendela yang ideal waktu untuk berpotensi meningkatkan hasil untuk anak-anak dengan ASD.
Sebuah tim peneliti interdisipliner di Universitas Duke, yang dipimpin oleh Dawson dan profesor teknik listrik dan komputer Guillermo Sapiro, berharap dapat memperbaiki masalah sulit deteksi ASD awal dengan menggabungkan keberadaan perangkat seluler dengan kekuatan pembelajaran mesin dan visi komputer. Bersama-sama, mereka berhipotesis bahwa teknologi ini dapat menciptakan sistem yang lebih cepat, lebih murah, lebih dapat diandalkan, dan lebih mudah diakses untuk menyaring anak-anak untuk ASD.
Metode yang mereka kembangkan tidak hanya mengarah pada wawasan baru tentang ASD, tetapi juga dapat meningkatkan cara dokter mengevaluasi pasien untuk gangguan perilaku lainnya.
Mengembangkan Aplikasi Penyaringan ASD
Metode tim Duke mengambil bentuk aplikasi perangkat seluler, yang memungkinkan pengasuh dan praktisi untuk menguji anak-anak untuk perilaku terkait ASD di rumah atau di klinik berdasarkan gejala tertentu.
“Bayi yang terus mengembangkan autisme biasanya tidak memperhatikan isyarat sosial,” kata Dawson. “Mereka lebih tertarik pada hal-hal non-sosial, seperti mainan atau benda. Mereka juga kurang ekspresif secara emosional. Mereka kurang tersenyum, terutama dalam menanggapi acara sosial yang positif. ”
Tes dalam aplikasi menyaring perilaku ini dengan memutar film dengan rangsangan sosial (seorang wanita yang mengatakan lagu anak-anak, misalnya) pada satu bagian layar, dan dengan rangsangan non-sosial pada bagian lainnya (bagian atas yang berputar). Sementara itu, kamera yang menghadap ke depan perangkat melacak pandangan anak, gerakan kepala, senyum, dan ekspresi wajah lainnya.
Bagi Sapiro, tantangannya adalah mengubah data gerakan wajah menjadi informasi yang bermakna. Dan ini adalah salah satu contoh di mana pembelajaran mesin bekerja.
Sapiro (penerima Amazon Web Services (AWS) Machine Learning Research Awards, yang memberikan para peneliti terkemuka akses mudah ke infrastruktur komputasi AWS dan layanan pembelajaran mesin) dan timnya menggunakan Amazon Web Services dan alat yang disebut TensorFlow dan PyTorch untuk membangun algoritma pembelajaran mesin yang menghubungkan ekspresi wajah anak-anak dan gerakan mata ke emosi manusia yang sesuai dan pola perhatian. Kelompok ini juga menggunakan alat komputasi awan ini untuk mengembangkan algoritma pembelajaran mesin baru untuk filter privasi untuk gambar dan video yang mereka kumpulkan — masalah yang sebagian besar pengembang hadapi ketika berhadapan dengan data perawatan kesehatan yang sensitif.
“Ketika melakukan analisis wajah, kami memiliki tim dokter ASD terlatih memberi label dengan tangan emosi yang terkait dengan ekspresi wajah yang berbeda, dan menggunakan data itu untuk mengajar dan memvalidasi algoritma,” kata Sapiro.
Dawson dan Sapiro bolak-balik selama berbulan-bulan, menyempurnakan algoritma sampai mereka dapat mendeteksi tanda-tanda ASD.
Mempelajari ASD pada Skala Belum Pernah Ada Sebelumnya
Pembelajaran mesin dan teknologi visi komputer memungkinkan para peneliti untuk mempelajari ASD lebih cepat, dan pada lebih banyak anak. Biasanya, studi ASD melibatkan 50 hingga 100 anak-anak. Dengan aplikasi tersebut, tim Duke mengumpulkan data perilaku sekitar 1.700 anak dalam satu studi.
Tim peneliti menguji hasil aplikasi terhadap evaluasi yang dilakukan oleh spesialis ASD, dan menemukan aplikasi hampir 90 persen akurat dalam beberapa subset perilaku — selangkah lebih maju dari akurasi 50 persen dari kuesioner tradisional.
Selain meningkatkan penilaian awal, tim berharap aplikasi bisa menjadi alat pelengkap yang berguna untuk dokter ASD berlisensi. Aplikasi ini menyediakan analisis frame-by-frame dari reaksi anak terhadap rangsangan — pengamatan yang lebih rinci daripada mata manusia — dan dapat mendeteksi tanda-tanda ASD secara instan dan objektif.
“Semakin banyak algoritma, semakin banyak orang, semakin banyak sumber daya yang kami berikan untuk data ini, semakin baik hasil potensial untuk pasien,” katanya. “Saya berharap setiap anak di dunia dapat bertemu dengan spesialis ASD, tetapi itu tidak realistis. Jika kami dapat memberikan skrining ASD dalam skala besar, itu akan menjadi kontribusi yang luar biasa. ”
