Pour de nombreuses familles, le chemin vers une évaluation de l'autisme n'est ni rapide ni simple. Les parents peuvent remarquer des différences de développement très tôt, mais se heurter à de longues attentes, à une disponibilité limitée de spécialistes, à des coûts élevés et à une incertitude quant à la marche à suivre.
Un récent article de Penn Engineering met en lumière un effort de recherche visant à réduire ces obstacles. Des chercheurs de Penn Engineering et du Kennedy Krieger Institute développent un système d'intelligence artificielle qui utilise des vidéos ordinaires pour évaluer la capacité d'un enfant à imiter des mouvements corporels simples. Cette technologie est appelée Évaluation Informatisée de l'Imitation Motrice, ou CAMI, et CAMI-2DNet est la dernière itération de l'équipe.
L'objectif n'est pas de remplacer les cliniciens ni de diagnostiquer l'autisme à elle seule. Au lieu de cela, la recherche ouvre la voie à une méthode plus accessible pour mesurer un marqueur comportemental important qui pourrait soutenir l'évaluation du développement, les flux de travail cliniques et des études de recherche plus vastes.
Un marqueur comportemental qui peut être difficile à mesurer de manière cohérente
L'imitation motrice est l'une des façons dont les enfants apprennent des personnes qui les entourent. Un enfant peut faire un signe de la main pour dire au revoir, applaudir, copier un geste ou imiter un mouvement joueur. Ces actions ne sont pas seulement des compétences motrices. Elles font également partie de la façon dont les enfants s'engagent socialement.
Les chercheurs ont longtemps observé que certains enfants autistes imitent les mouvements différemment de leurs pairs neurotypiques. Cela fait de l'imitation motrice un domaine d'étude utile lors des évaluations du développement, mais sa mesure peut être difficile.
« L'imitation motrice est un élément essentiel du développement social. »
— Stewart H. Mostofsky, directeur du Centre de recherche en neurodéveloppement et imagerie à l'Institut Kennedy Krieger
L'évaluation traditionnelle de l'imitation motrice peut reposer sur l'observation experte, la notation manuelle ou des systèmes de capture de mouvement spécialisés. Ces approches peuvent être précieuses, mais elles ne sont pas toujours faciles à généraliser. Elles peuvent nécessiter du personnel qualifié, un équipement coûteux, des conditions de laboratoire de recherche ou un temps considérable pour l'examen des vidéos.
Cela crée un problème pratique. Si une méthode d'évaluation est trop gourmande en ressources, elle peut être moins disponible dans les écoles, les cliniques communautaires, les zones rurales ou les environnements à faibles ressources où les familles se heurtent déjà à des obstacles en matière de soins.
La vidéo ordinaire comme point de départ
CAMI-2DNet est conçu pour rendre l'évaluation de l'imitation motrice plus pratique. Selon l'article de Penn Engineering, le système utilise des vidéos provenant d'une caméra standard. Un enfant imite un instructeur effectuant des mouvements simples, et l'outil d'IA suit le mouvement de l'enfant, le compare au mouvement de l'instructeur et génère un score objectif.
Ce changement est important car il supprime certaines des contraintes de l'analyse de mouvement traditionnelle. Le système ne nécessite pas d'équipement spécialisé de capture de mouvement 3D, et il réduit le besoin d'heures de révision manuelle.
Les chercheurs décrivent cela comme un passage de la preuve de concept vers un outil qui pourrait éventuellement être utile dans les milieux cliniques quotidiens. Des travaux antérieurs avaient déjà montré qu'une évaluation informatisée de l'imitation motrice d'une minute pouvait distinguer les enfants autistes de leurs pairs neurotypiques avec un taux de vrais positifs de 80 % dans une étude clinique de 2025 portant sur 183 enfants. La même étude a révélé que CAMI pouvait différencier l'autisme du TDAH avec un taux de vrais positifs de 70 %, une distinction importante car les deux conditions peuvent coexister et être difficiles à séparer cliniquement.
CAMI-2DNet s'appuie sur ces travaux en rendant le processus moins dépendant d'équipements spécialisés et de prétraitements manuels.
La vision par ordinateur au service de l'évaluation du développement
Le défi technique est plus complexe que le simple enregistrement d'un enfant en vidéo. Le système doit identifier les positions clés des articulations du corps, suivre le mouvement au fil du temps et comparer le mouvement d'un enfant à celui d'un instructeur.
Il doit également éviter d'être distrait par des facteurs qui ne devraient pas déterminer le score, tels que l'angle de la caméra, l'éclairage, la taille du corps ou les différences d'arrière-plan. L'auteur principal, Kaleab Kinfu, décrit le défi comme rendant le système suffisamment robuste pour les environnements réels, de sorte que l'IA se concentre sur la qualité du mouvement plutôt que sur des conditions d'enregistrement non pertinentes.
Ce point est important pour toute technologie liée au dépistage. Un outil destiné à élargir l'accès ne peut pas fonctionner uniquement dans des conditions de laboratoire idéales. Il doit fonctionner dans des contextes, des populations, des caméras et des environnements variés.
L'équipe de Penn Engineering rapporte que CAMI-2DNet a obtenu d'aussi bons résultats que la technologie sophistiquée de capture de mouvement 3D et a égalé, voire surpassé, les évaluateurs humains experts. Ces résultats suggèrent un potentiel, mais une validation continue sur plusieurs cohortes et sites reste essentielle.
Un outil pour compléter, et non remplacer, le jugement clinique
L'article de Penn Engineering précise que CAMI-2DNet n'est pas conçu pour diagnostiquer l'autisme à lui seul. Cette distinction doit rester centrale dans toute discussion sur l'IA et le dépistage du développement.
L'évaluation de l'autisme est complexe. Elle implique l'historique du développement, l'apport des soignants, l'observation clinique, les outils standardisés, les schémas de communication, le comportement social, les différences sensorielles, les conditions comorbides et le jugement professionnel. Un score d'imitation motrice basé sur la vidéo peut ajouter des informations utiles, mais il ne peut pas saisir l'ensemble du tableau clinique.
La promesse plus réaliste est que les outils d'IA pourraient contribuer à rendre une partie du processus d'évaluation plus objective, cohérente et accessible. Ils pourraient soutenir les cliniciens, aider les chercheurs à suivre les changements au fil du temps et réduire la charge de la notation manuelle.
C'est un rôle significatif. C'est aussi un rôle limité. La valeur de l'IA dans ce contexte dépend de la façon dont elle s'intègre bien dans des flux de travail cliniques responsables.
L'accès est la question centrale
Le point fort de cette recherche est son accent sur l'accès. Les familles attendent souvent des mois, voire plus, pour les évaluations de l'autisme. Ces retards peuvent être particulièrement difficiles lorsque les parents sentent déjà que quelque chose est différent dans le développement de leur enfant.
Un diagnostic précoce peut ouvrir la porte à des interventions, des services et des soutiens qui peuvent améliorer les résultats à long terme. Mais l'accès aux spécialistes qualifiés est inégal. Certaines familles vivent loin des centres spécialisés. D'autres sont confrontées à des obstacles liés aux coûts, à la planification, au transport, à l'assurance ou à la langue.
Un outil utilisant des vidéos ordinaires pourrait aider à réduire certains de ces obstacles s'il est validé et mis en œuvre de manière responsable. Il pourrait soutenir les cliniques qui ne disposent pas de laboratoires spécialisés de capture de mouvement. Il pourrait aider les écoles ou les centres communautaires à recueillir des informations utiles sur le développement. Il pourrait permettre aux chercheurs d'étudier des populations plus vastes et plus diverses.
Cela ne signifie pas que l'IA seule résout le problème de l'accès. La technologie nécessite toujours une interprétation qualifiée, des protections de la vie privée, un déploiement équitable et une voie claire pour le suivi. Mais un outil moins contraignant peut aider davantage d'enfants à franchir l'étape suivante plus rapidement.
La question de l'équité
Toute technologie destinée à étendre l'accès au dépistage doit également être testée en matière d'équité. Les systèmes d'IA peuvent fonctionner différemment selon les populations si les données utilisées pour les développer ne sont pas suffisamment diverses. La qualité de la caméra, l'éclairage, l'environnement physique, les vêtements, les différences de mobilité et la variation culturelle des mouvements ou des interactions pourraient tous affecter les performances.
L'article de Penn Engineering note que l'équipe travaille à étendre l'évaluation à plusieurs cohortes, sites cliniques et types de mouvements. C'est exactement le type de travail nécessaire avant qu'un outil comme CAMI-2DNet puisse être largement adopté.
Pour les cliniciens et les systèmes de santé, la question ne devrait pas être seulement de savoir si l'outil fonctionne bien dans une étude. Il devrait également s'agir de savoir s'il fonctionne de manière cohérente chez les enfants les plus susceptibles de subir un retard d'évaluation aujourd'hui.
Une technologie de dépistage équitable doit être précise, accessible, explicable et connectée aux soins. Autrement, elle risque de créer une nouvelle couche d'évaluation sans résoudre le problème fondamental de l'accès.
Ce que cela signifie pour les écoles et les milieux communautaires
Les écoles sont souvent l'endroit où les différences de développement deviennent visibles pour la première fois en dehors du foyer. Les enseignants peuvent remarquer des différences dans l'imitation, la coordination motrice, la participation sociale, la communication ou l'interaction avec les pairs. Les équipes scolaires peuvent également être les premières à encourager les familles à demander une évaluation.
Un outil vidéo tel que CAMI-2DNet pourrait à terme être utile dans des contextes où l'accès aux spécialistes est limité, à condition qu'il soit validé pour ces environnements. Il pourrait aider à recueillir des informations objectives qui soutiennent les références, la recherche ou le suivi.
Cependant, les écoles et les programmes communautaires auraient besoin de limites claires. Un outil d'aide au dépistage ne devrait pas étiqueter un enfant sans une évaluation complète. Les résultats devraient être communiqués avec prudence, dans le respect des familles et sans créer d'alarme inutile.
Le cas d'utilisation le plus solide pourrait être celui d'un cheminement plus large : observation, soutien au dépistage, référence, évaluation clinique et accès aux services si nécessaire.
Un changement plus large dans l'IA des soins de santé
CAMI-2DNet fait partie d'un mouvement plus large visant à utiliser l'IA pour rendre les évaluations spécialisées plus évolutives. Dans ce cas, une vision par ordinateur avancée est appliquée à un véritable goulot d'étranglement clinique : la difficulté de mesurer le comportement de manière objective et efficace.
Ce changement peut être précieux lorsque la technologie est utilisée avec prudence. L'IA peut aider à traiter rapidement des données de mouvement complexes. Elle peut réduire la charge de la notation manuelle. Elle peut créer des mesures standardisées qui peuvent être utiles pour la recherche et le suivi longitudinal.
Mais l'IA ne doit pas être traitée comme neutre simplement parce qu'elle est automatisée. Ses résultats dépendent des données, des choix de conception, du processus de validation et du contexte clinique qui la sous-tendent. Le rôle des chercheurs et des cliniciens est de s'assurer que ces outils améliorent les soins plutôt que de les simplifier à l'excès.
Une étape pratique vers une évaluation plus accessible
La promesse de CAMI-2DNet n'est pas qu'il transforme une vidéo ordinaire en un diagnostic complet d'autisme. Sa promesse est plus pratique : il pourrait aider à mesurer un comportement de développement significatif d'une manière plus rapide, plus objective et plus évolutive.
C'est tout de même important. Pour les familles en attente de réponses, tout outil responsable qui contribue à améliorer l'accès, à réduire les retards ou à soutenir de meilleures orientations mérite attention.
La prochaine étape déterminera jusqu'où la technologie peut aller. Une validation continue sur les sites, les populations et les types de mouvements sera essentielle. Il en va de même pour une intégration réfléchie dans les flux de travail cliniques et éducatifs.
Pour l'instant, CAMI-2DNet donne un aperçu de la façon dont l'IA peut soutenir les soins du développement lorsqu'elle se concentre sur un problème réel : rendre l'évaluation de haute qualité plus accessible.
