This article is also available in English.
M
ax, le fils de Martin Styner, avait 6 ans au moment où les cliniciens ont prononcé un diagnostic d’autisme. L’année précédente, le professeur de maternelle de Max avait remarqué quelques signes comportementaux. Par exemple, le petit garçon pouvait s’immerger dans des livres si profondément qu’il se coupait de ce qui se passait autour de lui. Mais ce n’est que lorsque Max a commencé à ignorer son professeur l’année suivante que ses parents ont demandé l’aide d’un psychologue pour l’évaluer.Max est à l’extrémité légère du spectre. Pourtant, Styner, professeur de psychiatrie et d’informatique à l’Université de Caroline du Nord à Chapel Hill, se demandait s’il ne s’était pas dupé en ne détectant pas les signes plus tôt. Après tout, Styner a étudié l’autisme pendant la plus grande partie de sa carrière.
Étant donné la complexité et la variété de l’autisme, il n’est pas surprenant que même des experts comme Styner ne l’identifient pas toujours tout de suite. Et même quand ils en repèrent les signes, obtenir un diagnostic d’autisme prend du temps : les familles doivent parfois visiter le service spécialisé le plus proche pour plusieurs rendez-vous en face-à-face. Tout le monde n’a pas facilement accès à ces services, et les gens peuvent attendre des mois pour un rendez-vous.
Cette réalité a causé un écart de détection : Bien qu’un diagnostic précis puisse être établi dès l’âge de 2 ans, l’âge moyen du diagnostic aux États-Unis est de 4 ans. Et pourtant, plus le diagnostic est réalisé tôt, meilleur est le résultat.
Certains chercheurs affirment que les retards dans le diagnostic de l’autisme pourraient diminuer avec l’augmentation de l’apprentissage automatique — une technologie développée dans le cadre de la recherche sur l’intelligence artificielle. En particulier, ils placent leurs espoirs dans son développement le plus récent connu sous le nom d’apprentissage profond (deep learning). « L’apprentissage automatique a toujours fait partie du domaine », dit Styner, « mais les méthodes et les applications n’ont jamais été assez solides pour avoir un impact clinique ; cela a changé avec le début de l’apprentissage profond. »
La puissance de l’apprentissage profond vient de la découverte de motifs subtils, parmi des combinaisons de caractéristiques, qui peuvent ne pas sembler pertinents ou évidents à l’œil humain. Cela signifie qu’il est bien adapté pour donner un sens à la nature hétérogène de l’autisme, dit Styner. Là où l’intuition humaine et les analyses statistiques pourraient rechercher un trait unique, peut-être inexistant, qui différencie systématiquement tous les enfants avec l’autisme de ceux qui ne l’ont pas, les algorithmes d’apprentissage profond cherchent plutôt des ensembles de différences.
Pourtant, ces algorithmes dépendent fortement du facteur humain. Pour apprendre de nouvelles tâches, ils « s’entraînent » sur des jeux de données qui incluent généralement des centaines ou des milliers d’exemples « justes » et « faux » — disons, un enfant souriant ou ne souriant pas — étiquetés manuellement par des humains. Cependant, grâce à un entraînement intensif, cependant, les applications de l’apprentissage profond dans d’autres domaines ont finalement égalé la précision des experts humains. Dans certains cas, elles sont parvenues à faire mieux.
« Je pense que ces approches vont être fiables, quantitatives, évolutives — et elles sont sur le point de révéler de nouveaux motifs et informations sur l’autisme que, je crois, nous ne connaissions pas auparavant », déclare Geraldine Dawson, professeur de psychiatrie et de sciences comportementales à l’Université de Duke à Durham, en Caroline du Nord. « Non seulement l’apprentissage automatique aidera les cliniciens à dépister les enfants plus tôt », dit-elle, « mais les algorithmes pourraient aussi offrir des indices sur les traitements. »
Toutefois, tout le monde n’est pas optimiste quant aux promesses de cette approche. De nombreux experts notent qu’il existe des obstacles techniques et éthiques que ces outils sont peu susceptibles de surmonter dans un avenir proche. L’apprentissage profond — et plus généralement l’apprentissage automatique — n’est pas une « baguette magique », affirme Shrikanth Narayanan, professeur de génie électrique et d’informatique à l’Université de Californie du Sud à Los Angeles. Quand il s’agit de poser un diagnostic et compte-tenu du risque qu’un ordinateur puisse se tromper, il y a des « implications profondes » pour les enfants avec autisme et leurs familles. Mais il partage l’optimisme, exprimé par maintes personnes dans le domaine, que la technique pourrait rassembler la recherche sur l’autisme en génétique, en imagerie cérébrale et sur les observations cliniques. « Sur l’ensemble du spectre », dit-il, « le potentiel est énorme. »