Eye Tracking e Aprendizado Profundo no Rastreamento do Transtorno do Espectro Autista: Uma Revisão da Literatura

• Osmar Santana Ribeiro UFRB
• José Valentim dos Santos Filho UFRB

DOI: https://doi.org/10.5753/erbase.2026.32304

Resumo

O Transtorno do Espectro Autista (TEA) caracteriza-se por diferenças na comunicação e interação social e por comportamentos restritos ou repetitivos. Métodos convencionais de rastreamento podem ser limitados por subjetividade, custo e tempo de avaliação. Este artigo revisa estudos de 2022 a 2026 sobre Eye Tracking, Visão Computacional, Machine Learning e Aprendizado Profundo no rastreamento do TEA. As abordagens incluem CNN, LSTM, Vision Transformers, YOLO e MediaPipe. A literatura apresenta resultados promissores, mas também custos elevados, pouca diversidade de dados e validação insuficiente em ambientes reais. A revisão fundamenta um sistema de Eye Tracking de baixo custo para instituições de ensino superior.

Palavras-chave: Transtorno do Espectro Autista, Eye Tracking, Machine Learning, Visão Computacional, Aprendizado Profundo

Referências

Ahmed, I. A., Senan, E. M., Rassem, T. H., Ali, M. A., Shatnawi, H. S., Alwazer, S. M., and Alshahrani, M. (2022). Eye tracking-based diagnosis and early detection of autism spectrum disorder using machine learning and deep learning techniques. Electronics, 11(4):530.

Ahmed, Z. A. T., Albalawi, E., Aldhyani, T. H. H., Jadhav, M. E., Janrao, P., and Obeidat, M. R. M. (2023). Applying eye tracking with deep learning techniques for early-stage detection of autism spectrum disorders. Data, 8(11):168.

Al-Adhaileh, M. H. et al. (2025). Diagnosing autism spectrum disorder based on eye tracking using deep learning algorithms: A systematic review. Frontiers in Medicine, 12.

Cavalcante et al. (2020). Eye tracking como estratégia de avaliação educacional inclusiva em estudantes com transtorno do espectro autista. Referência bibliográfica incompleta no manuscrito original. Referência a completar pelos autores conforme a fonte consultada.

de Belen, R. A. J., Bednarz, T., Sowmya, A., and Del-Fabbro, P. (2020). Computer vision in autism spectrum disorder research: A systematic review of published studies from 2009 to 2019. Translational Psychiatry, 10(1).

Elbattah, M., Carette, R., Cilia, F., Dequen, G., Guérin, J. L., Bosch, J., Vandromme, M., and Driant, J. (2022). Vision-based approach for autism diagnosis using transfer learning and eye-tracking. In Proceedings of the 15th International Conference on Biomedical Engineering Systems and Technologies (HEALTHINF), pages 360–367. SCITEPRESS.

Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep Learning. MIT Press, Cambridge.

Google Research (2024). Mediapipe: Cross-platform, customizable ml solutions for live and streaming media. Disponível em: [link]. Acesso em: 30 jun. 2026.

Han, W. et al. (2026). Diagnostic performance of eye-tracking-based artificial intelligence for autism spectrum disorder: A systematic review and meta-analysis. International Journal of Medical Informatics, 208:106235.

Jaradat, A. S. et al. (2024). Machine learning-based autism diagnosis using eye-tracking data: A comparative study. Diagnostics, 15(1).

Lord, C., Brugha, T. S., Charman, T., et al. (2020). Autism spectrum disorder. Nature Reviews Disease Primers, 6(1).

OpenCV Team (2024). Opencv: Open source computer vision library. Disponível em: [link]. Acesso em: 30 jun. 2026.

Souza, A. C., Carmo, J. S., Benitez, P., and Silva, J. C. (2025). O que me diz seu olhar: Rastreamento ocular de crianças com e sem autismo em jogos educacionais digitais de matemática. Revista Educação Especial, 38.

Tobii AB (2024). Tobii Pro Fusion: User Manual. Tobii Pro, Danderyd, Sweden.