Atualizações em um aplicativo para o auxílio em terapias com crianças no espectro autista usando aprendizado de máquina

Abstract

O Transtorno do Espectro Autista (TEA) abriga uma série de transtornos de desenvolvimento marcados por alterações na maturação do sistema nervoso central. Atualmente, existem barreiras sociais que se impõem no cotidiano de pessoas com autismo e que podem afetar o seu desenvolvimento pessoal e profissional e a sua qualidade de vida, fazendo com que haja uma demanda importante por serviços educacionais e terapêuticos que ofereçam apoio no desenvolvimento de competências para lidar com tal cenário. O diagnóstico precoce do TEA é crucial para a melhora das habilidades socio-comunicativas e cognitivas de indivíduos dentro do espectro, mas, mesmo assim, métodos tradicionais de avaliação de habilidades sociais e comunicativas envolvem a análise de múltiplas e longas sessões de terapia, levando a um atraso no diagnóstico de TEA. A ferramenta aprimorada durante a realização deste projeto, denominada Therapy Aid Tool, foca em agilizar tal processo, oferecendo uma plataforma para a análise de quadros de vídeos de sessões de terapia e identificação de possíveis pontos de interesse para a análise manual por terapeutas, utilizando modelos de visão computacional para isso. As atualizações realizadas neste projeto, para o qual o título original do plano de trabalho é "DeA: Uma ferramenta para auxílio ao diagnóstico e tratamento de crianças com transtorno do espectro autista usando técnicas de aprendizado de máquina e mineração de dados", envolvem a criação de abstrações de software que tornam mais amigável o processo de "fine-tuning" de modelos YOLOv5, bem como o processo de rotulação de conjuntos de dados, necessários para tal tarefa, a instalação e a execução da ferramenta. Além disso, também priorizou-se o desenvolvimento de uma solução que funciona de modo completamente local e "offline", permitindo que esta seja utilizada mesmo em contextos que envolvem dados privados. Tais incrementos foram realizados com o intuito de facilitar a otimização de modelos pelos próprios usuários do aplicativo, possibilitando que o preprocessamento feito sobre os vídeos seja realizado de forma mais acurada, melhorando a experiência do usuário com a ferramenta. Futuramente, é possível o aprimoramento do aplicativo pela atualização dos modelos YOLO utilizados como base para o "fine-tuning", a integração de outras ferramentas que tragam novos dados para auxiliar os terapeutas em suas análises, a melhora na forma de distribuição da documentação do aplicativo. Ainda, visando a capacitação do público alvo do aplicativo para a sua utilização, é importante a elaboração de tutoriais sobre como realizar a análise da qualidade dos modelos treinados a partir de informações disponibilizadas no aplicativo e como utilizar elas de forma prática para a melhoria dos modelos.