Development and validation of a social interaction based deep learning system to predict the severity of social skill in autism spectrum disorder

Abstract

Background: Children with autism spectrum disorder (ASD) have difficulty with social interactions, making social ability one of the important measures for diagnosing ASD. However, existing assessment methods for measuring social ability are costly and time-consuming and may involve examiner bias. Therefore, there is a need for an objective and standardized assessment tool to measure social ability in children with ASD. Objective: We aimed to 1) develop and validate a protocol to digitize the nonverbal social communication skills of children with ASD, 2) evaluate a digitized protocol of nonverbal social communication skills and its correlation with neuropsychological test, and 3) develop a deep learning model that can predict the nonverbal social communication skills of children with ASD using video data collected through the developed protocol. Methods: The study is prospective and observational study. Eligible children were assessed using the Autism Diagnostic Observation Schedule-2 (ADOS-2) and a neuropsychological test (NPT) to evaluate their social skills. A specific turn taking protocol was developed to measure and videotape the children's social interactions. This data was then used to train three different deep learning models: an RGB model, a flow model, and a combined RGB-flow late fusion model. The models were designed to predict the severity of social skills in the participating children. Results: The study included data from 9 participants. The evaluation of the digitized nonverbal social communication skill measurement protocol showed significant differences in turn-taking performance between groups with mild (median (IQR): 100.0 [87.5 to 100.0]) and severe (median (IQR): 12.5 [0.0 to 66.7], p-value = 0.048) social skill impairments. The combined RGB-Flow late fusion deep learning model exhibited superior performance, achieving high accuracy (93.33%), precision (0.91), recall (1.0), F1 score (0.96), and area under the receiver operating characteristic curve (AUC, 0.99) in predicting social skill severity. The Grad-CAM algorithm was applied to these models, revealing that the models primarily focused on the child's face and toy interactions for making predictions. Conclusion: To the best of our knowledge, this is first study has demonstrated the feasibility of collecting datasets for behavioral biomarkers using a standardized video data collection setup suitable for computer vision and deep learning, as well as measuring nonverbal social communication skills. According to the findings of this study, objectively measuring social-communication skills may provide objective information for ASD diagnosis or may be a good alternative for objectively measuring the effectiveness of social skill improvement interventions. 자폐 스펙트럼 장애(ASD)를 가진 아동들은 사회적 상호작용에 어려움을 겪으며, 이러한 사회적 능력은 ASD 진단을 위한 중요한 측정 기준입니다. 그러나 기존의 사회적 능력 측정 방법은 비용이 많이 들고 시간이 오래 걸리며, 검사자의 편견을 포함할 수 있습니다. 따라서 ASD 아동의 사회적 능력을 객관적이고 표준화된 방법으로 측정할 수 있는 도구가 필요합니다. 본 연구의 목적은 1) ASD 아동의 비언어적 사회적 의사소통 기술을 디지털화하는 프로토콜을 개발하고, 2) 개발된 비언어적 사회적 의사소통 기술 측정 프로토콜의 타당성을 평가하며, 3) 개발된 프로토콜을 통해 수집된 비디오 데이터를 사용하여 ASD 아동의 비언어적 사회적 의사소통 기술을 예측할 수 있는 딥러닝 모델을 개발하는 것입니다. 이 연구는 전향적 관찰 연구로, ADOS-2 및 신경심리학적 검사를 사용하여 아동의 사회성을 평가했습니다. 아동의 사회적 상호작용을 측정하고 비디오로 기록하기 위해 ’Turn taking’ 프로토콜을 개발하였습니다. 이 프로토콜을 통해 수집된 데이터는 자폐 아동의 사회성 중증도를 예측하기 위해 설계된 세 가지 다른 딥러닝 모델인 RGB 모델, Optical flow 모델, 그리고 RGB-Optical flow late fusion 모델을 훈련하는 데 사용되었습니다.연구에는 9명의 참가자의 데이터가 포함되었습니다. 개발된 비언어적 사회적 의사소통 기술 측정 프로토콜의 평가는 중증도가 다른 두 그룹(Mild: 중앙값(IQR): 100.0 [87.5 to 100.0], Severe: 중앙값(IQR): 12.5 [0.0 to 66.7], p-value = 0.048) 사이에 turn taking 수행률에서 유의미한 차이를 보였습니다. RGBOptical flow late fusion 딥러닝 모델은 정확도(93.33%), 정밀도(0.91), 재현율(1.0), F1 점수(0.96), ROC curve (AUC, 0.99)에서 높은 성능을 보여 자폐 아동의 사회성 중증도를 예측하는 데 있어 우수한 성능을 보였습니다. Grad-CAM 알고리즘은 이러한 모델에 적용되었으며, 모델이 예측을 위해 아동의 얼굴과 장난감 상호작용에 주로 초점을 맞추고 있음을 밝혀냈습니다. 이 연구는 컴퓨터 비전 및 딥러닝에 적합한 표준화된 비디오 데이터 수집 프로토콜을 사용하여 행동 바이오마커 데이터셋을 수집하고 비언어적 사회적 의사소통 기술을 측정할 수 있는 가능성을 처음으로 입증하였습니다. 본 연구의 결과에 따르면, 비언어적 사회적 의사소통 기술을 객관적으로 측정하는 것은 ASD 진단을 위한 객관적 정보를 제공하거나 사회성 향상을 위한 치료 프로그램의 효과를 객관적으로 측정하는 데 좋은 대안이 될 수 있습니다.