Fino ad oggi questo approccio era sfuggito agli scienziati, focalizzati solamente nella ricerca di caratteristiche salienti in un unica lingua. Inoltre, già in altre occasioni machine learning e autismo avevano fatto coppia l’uno per diagnosticare il secondo.
Lo scorso giugno un nuovo studio guidato dai ricercatori della Northwestern university ha aperto la strada per nuovo modo di rilevare la malattia. Grazie a questa branca dell’intelligenza artificiale, hanno identificato schemi di linguaggio consistenti nei bambini con autismo, sia in inglese che in cantonese.
I bambini affetti da autismo (ASD) spesso parlano più lentamente rispetto ai bambini con sviluppo tipico(TD). Presentano anche altre differenze nell’intonazione, nel tono e nel ritmo. Tali incongruenze (chiamate dai ricercatori “differenze prosodiche”) sono sorprendentemente difficili da caratterizzare in modo coerente e oggettivo. Infatti le loro origini sono rimaste poco chiare per decenni.
Tutto ciò limita gli studiosi: in effetti, chi si occupa di tali ricerche è ostacolato dai bias della lingua inglese. Per non parlare poi della soggettività degli esseri umani nel classificare le diversità di linguaggio tra le persone con autismo e quelle senza.
Per rimarcare queste differenze, un team guidato da Molly Losh e Joseph C.Y. Lau insieme a Patrick Wong ha usato la tecnica del supervised machine learning.
Questo studio ha incluso partecipanti di due gruppi linguistici, costituiti da madrelingua di inglese americano e cantonese di Hong Kong. Il gruppo inglese comprendeva 55 persone con ASD (gruppo ASD inglese) e 39 persone con TD (gruppo TD inglese). Il gruppo cantonese comprendeva 28 persone con ASD (gruppo ASD cantonese) e 24 persone con TD (gruppo TD cantonese).
I partecipanti hanno dovuto narrare (nelle rispettive lingue) un libro illustrato senza parole di 24 pagine, “Frog, Where Are You?”. Il testo presenta la storia di un bambino e del suo cane, che cercano la rana scomparsa del bambino. Questo libro è ampiamente utilizzato negli studi sul discorso narrativo nell’ASD e in altre disabilità del neurosviluppo.
Mentre lo schermo mostrava ogni pagina e i partecipanti narravano la storia, i ricercatori registravano la loro voce su file audio. I dati raccolti, analizzati con Audio Toolbox MATLAB, hanno fornito al team interessanti spunti che hanno poi analizzato nelle seguenti caratteristiche acustiche:
Sfruttando quindi la potenza degli algoritmi di Machine Learning, i ricercatori hanno esaminato tali aspetti della prosodia attraverso domini di tempo o frequenza.
Pubblicato sulla rivista PLOS Uno, lo studio ha dimostrato che utilizzare le caratteristiche acustiche conviene ai fini di una classificazione affidabile dello stato autistico, sia in inglese che in cantonese.
Come ha affermato uno dei leader del team della Northwestern:
Quando si hanno lingue così strutturalmente diverse, qualsiasi somiglianza nei modelli di linguaggio riscontrata nell’autismo in entrambe le lingue è probabile che riguardi tratti fortemente influenzati dalla responsabilità genetica dell’autismo
Molly Losh
Ha inoltre aggiunto che il Machine learning potrebbe essere utile per sviluppare strumenti indentificanti gli aspetti del parlato adatti agli interventi terapeutici; così come la misurazione dell’effetto di tali interventi nel valutare i progressi di un parlante nel tempo.
Infine, come detto, i risultati dello studio sarebbero utili per comprendere il ruolo di specifici geni e meccanismi di elaborazione cerebrale coinvolti nella suscettibilità genetica all’autismo. In definitiva, l’obiettivo è creare un quadro più completo dei fattori che determinano le differenze di linguaggio delle persone con autismo.
Infatti, una rete cerebrale coinvolta è la via uditiva sottocorticale, fortemente legata alle differenze nel modo in cui il cervello elabora i suoni del parlato. Diversi negli individui affetti da autismo rispetto a quelli con sviluppo tipico, in tutte le culture. Il prossimo passo sarà identificare se queste differenze di elaborazione portano ai modelli comportamentali di linguaggio osservati nello studio e alla loro genetica neurale sottostante.