Inteligência Artificial Analisa Movimentos em Gravações Comuns para Avaliar Imitação em Crianças

Pesquisadores do Kennedy Krieger Institute e da Penn Engineering criaram sistema de visão computacional que mede a capacidade de imitação através de vídeos caseiros, dispensando equipamentos caros e análise manual

O desenvolvimento de um sistema avançado de inteligência artificial capaz de quantificar a imitação de movimentos corporais simples a partir de gravações de vídeo convencionais foi anunciado por investigadores do Kennedy Krieger Institute e da Penn Engineering. Denominado Computerized Assessment of Motor Imitation, ou CAMI-2DNet, a ferramenta emprega algoritmos de visão computacional para rastrear os movimentos de uma criança enquanto esta reproduz gestos executados por um instrutor diante de uma câmara comum. A comparação entre os padrões cinemáticos do modelo e do participante gera uma pontuação objetiva, eliminando a necessidade de sistemas de captura de movimento baseados em marcadores ou de revisão manual prolongada por especialistas treinados. O feito aproxima a comunidade científica de um método escalável e padronizado para avaliar um comportamento reconhecidamente associado ao espectro do autismo, uma vez que crianças com essa condição exibem frequentemente diferenças na forma como copiam acções motoras em relação aos seus pares com desenvolvimento típico.

A imitação motora constitui um alicerce para o desenvolvimento social, sendo observada em etapas precoces da infância como um preditor de competências comunicacionais e interactivas. Tradicionalmente, a quantificação rigorosa desse domínio dependia de laboratórios equipados com tecnologia de infravermelhos e múltiplas câmaras calibradas, ou então de avaliações feitas por clínicos que visionavam repetidamente os registos e atribuíam pontuações com base em critérios subjectivos. Tais limitações reduzem a frequência com que a avaliação pode ser aplicada e restringem o seu acesso a populações em regiões desfavorecidas ou com poucos recursos especializados. O CAMI-2DNet pretende colmatar essa lacuna ao utilizar apenas o sensor óptico presente em telemóveis, tablets ou computadores portáteis, prescindindo de acessórios dispendiosos ou de condições de iluminação controladas.

O estudo, publicado na IEEE Transactions on Biomedical Engineering, descreve a arquitectura da rede neural que sustenta o sistema. Durante a tarefa, a criança e o instrutor são filmados simultaneamente ou em sequência, e o algoritmo extrai pontos-chave das articulações em cada fotograma, construindo uma representação esquelética do corpo em movimento. A similaridade entre as trajectórias dos membros superiores e do tronco é calculada através de métricas de correspondência temporal, produzindo um índice que reflecte a precisão da imitação. Este processo, que antes demandava horas de trabalho técnico, é concluído em poucos minutos, com níveis de concordância comparáveis aos obtidos por métodos tradicionais quando testado em amostras de crianças com e sem diagnóstico de autismo.

A ferramenta não substitui o julgamento clínico nem se propõe como dispositivo autónomo para estabelecer um diagnóstico. A intenção declarada pelos autores é oferecer uma medição complementar que auxilie os profissionais na caracterização do perfil sensório-motor de cada criança, permitindo monitorizar evoluções ao longo de intervenções terapêuticas ou educacionais. O sistema poderá, por exemplo, detectar melhorias subtis na coordenação motora que escapariam a uma observação informal, fornecendo dados quantitativos que enriquecem a tomada de decisão sobre estratégias de suporte individualizado. A possibilidade de aplicar o método em contextos naturais, como a escola ou o domicílio, sem recorrer a deslocações para centros de referência, é apontada como um dos ganhos práticos mais promissores.

A investigação envolveu uma colaboração estreita entre engenheiros e clínicos, reflectindo uma abordagem transdisciplinar que tem caracterizado os esforços recentes no campo da neurociência computacional. O Kennedy Krieger Institute, sediado em Baltimore, possui uma longa tradição no estudo do desenvolvimento infantil e das perturbações do neurodesenvolvimento, enquanto a Penn Engineering contribui com a sua experiência em aprendizagem profunda e processamento de imagens. O trabalho insere-se numa linha de investigação mais ampla que procura automatizar a detecção de marcadores comportamentais, reduzindo barreiras logísticas e financeiras que limitam o acesso a serviços de saúde mental na primeira infância.

Apesar do entusiasmo gerado, os investigadores ressalvam que ainda há desafios a superar antes que a tecnologia possa ser disseminada em larga escala. A robustez do algoritmo face a variações de iluminação, enquadramento da câmara e vestuário das crianças necessita de validação adicional em populações diversas. Além disso, a interpretação dos resultados exige formação dos utilizadores para que possam contextualizar as pontuações dentro do quadro mais amplo do desenvolvimento global da criança. O grupo planeia dar continuidade aos ensaios clínicos e explorar a integração do sistema com plataformas de telemedicina, aproveitando a crescente digitalização dos serviços de saúde. A expectativa é que, no futuro, a ferramenta possa ser disponibilizada como uma aplicação de fácil utilização, alargando o raio de acção dos especialistas e proporcionando respostas mais céleres às famílias que aguardam por avaliações especializadas.

Referência bibliográfica:
Artificial intelligence could make autism screening more accessible. CAMI-2DNet quickly & accurately identifies behavioral marker associated with autism. Kennedy Krieger Institute. IEEE Transactions on Biomedical Engineering, DOI: 10.1109/TBME.2025.3637089.