检测近乎完美准确性的ADHD

在水牛研究员领导的一项新的研究已经确定了不同脑区之间的特定通信，称为脑连接，可以作为注意力缺陷多动障碍（ADHD）的生物标志物。

这些研究依赖于使用机器学习分类器的深层架构，以确定99％的准确性，这些成年人早先接受过幼儿诊断的成年人。

“这表明脑连接是一个稳定的生物标志物，即，即使个人的行为变得更加典型的童年，也许通过调整不同的策略来调整掩盖潜在疾病的不同策略，”心理学助理教授克里斯麦克诺UB艺术和科学学院，以及该研究的领先作者。

该研究结果发表在该杂志上前沿生理学这不仅有助于发现ADHD(一种难以识别的常见但难以诊断的障碍)，还可以通过了解患者在一个广泛的连续统一体中的位置，帮助临床医生进行针对性治疗。

“因为某些药物与某些途径反应，所以理解不同类型的ADHD可以帮助为其他药物与其他药物的决策通知决策，”神经影像学和计算建模专家Mcnorgan说。

注意缺陷障碍是学龄儿童中最常见的心理障碍，但很难识别。此外，多重亚型使ADHD的临床定义复杂化。

当同一患者返回进行后续评估时，ADHD的临床诊断可能会发生变化。

“患者可能会展出行为症状与ADHD症状一致，但即使在一天后，即使是几天后，也可能不会出现这些症状，或者达到同样的程度，”麦克诺根说。“这可能只是好一天和坏一天的区别。

“但是多动症的大脑连接特征似乎更稳定。我们没有看到诊断的逆转。”

UB本科研究志愿者的多学科研究团队从计算机科学与工程系的心理学和达科他·哈特·迪克利克，辛辛那提大学心理学副教授John G. Holden，使用了来自80名成年参与者被诊断为儿童患有ADHD。

机器学习分类器，然后应用于四个活动快照在一个任务中，旨在测试主体抑制自动反应的能力。

单项集中分析的诊断准确率为91%，而集体分析的诊断准确率接近99%。

麦克诺根说:“这是迄今为止我所见过的报告中准确率最高的——它超越了之前的任何研究，也远远超过了任何已经实现的行为评估。”“很多因素可能促成了我们优越的分类性能。”

之前的研究表明大脑的连接ADHD采用直接线性分类。这项研究着眼于某事与某事所预测的事物之间的关系，比如咖啡和表现。

对于许多范围，直接线性分类是有效的，但咖啡和性能之间的关系，如行为症状和ADHD，不是线性的。一两杯咖啡可能会增加性能，但在某些时候，咖啡因可能会损害表现。根据Mcnorgan的说法，当您可以拥有“太少或太多的好东西”时，存在非线性关系。

深度学习网络非常适合于检测非线性的条件关系。在目前的研究中，ADHD是通过大脑区域之间的交流模式来预测的，比如A、B和c。如果A和B区域高度相连，那就可以预测ADHD，但如果这些区域也与区域c高度连接，就不会出现这种情况。这种类型的关系对于最常用的技术来说是有问题的，但对于深度学习分类器来说不是。

McNorgan的模型更进一步，通过区分在爱荷华赌博任务(IGT)中有典型或非典型表现的ADHD患者。IGT是一种类似于赌场纸牌游戏的行为范式，有高风险也有低风险，通常用于研究和诊断ADHD。

传统的技术不能同时进行多个分类。McNorgan的方法巧妙地将ADHD诊断与IGT的表现联系在一起，为解释为什么两者都与大脑的线路有关提供了一个潜在的桥梁。

此外，尽管adhd的人往往会在IGT中倾向于使风险选择，但这不是一个普遍的决定因素。没有ADHD的一些人也比其他人的选择。

“通过区分这两种尺寸的这种方法提供了一种机制，用于以可以允许有针对性处理的方式分类与ADHD的人的机制，”McNorgan说。“我们可以看到人们在连续体上的地方。”

由于不同的大脑网络在连续两端的人们中涉及人们，因此这种方法打开了开发专注于特定脑网络的疗法的门。

---

---