Neues Modell erkennt Autismus durch Augenbewegungen

Autismus-Spektrum-Störung (ASD) lässt sich nun mithilfe von Augenbewegungsdaten zuverlässig erkennen – ein völlig nicht-invasiver Ansatz, der die subtilen, kurzzeitigen Fixationsmuster ausnutzt, die bei Menschen mit ASD anders verlaufen als bei typischer Entwicklung.

Traditionelle Transformer‑Modelle, die auf globalen Aufmerksamkeitsmechanismen basieren, zeigen bei Augenbewegungen nur begrenzte Vorteile, weil die Daten aus diskreten Fixationspunkten bestehen und vorwiegend lokale, kurzfristige Abhängigkeiten aufweisen. Deshalb wurde ein spezielles Modell namens DSTS (Discrete Short‑Term Sequential) entwickelt, das genau diese lokalen Muster fokussiert.

DSTS kombiniert eine klassenbewusste Repräsentation mit Mechanismen, die Ungleichgewichte in den Trainingsdaten ausgleichen. In umfangreichen Experimenten über mehrere Augenbewegungsdatensätze hinweg übertrifft es sowohl klassische Machine‑Learning‑Ansätze als auch fortgeschrittene Deep‑Learning‑Modelle deutlich.

Die Ergebnisse zeigen, dass gezielte Analyse von Augenbewegungen ein vielversprechendes Werkzeug für die frühzeitige Diagnose von ASD darstellt und damit einen wichtigen Schritt in Richtung besserer Unterstützung und Interventionen für Betroffene darstellt.