研究人员确定了儿童多动症的大脑标志物

研究人员分析了近8000名儿童的核磁共振检查数据，确定了注意力缺陷/多动障碍(ADHD)的生物标志物，以及神经成像机器学习在帮助诊断、治疗计划和监测该疾病方面的可能作用。这项新研究的结果将于下周在北美放射学会(RSNA)年会上公布。

根据美国疾病控制和预防中心的数据，多动症是儿童最常见的神经发育障碍之一，影响着大约600万3至17岁的美国儿童。

患有这种疾病的儿童可能难以集中注意力和控制冲动行为，或者他们可能过于活跃。诊断依赖于由孩子的照顾者完成的检查表来评估ADHD症状的存在。

“我们需要一种更客观的方法来进行更有效、更可靠的诊断，”该研究的合著者、康涅狄格州纽黑文耶鲁大学医学院的研究生研究员黄林(音译)说。“注意力缺陷多动障碍症状经常未被诊断或误诊，因为评估是主观的。”

研究人员使用了青少年大脑认知发展(ABCD)研究的核磁共振数据，这是美国最大的关于大脑发育和儿童健康的长期研究。ABCD研究涉及来自全国21个中心的11878名9-10岁的儿童，以代表美国社会人口的多样性

林说:“我们小组的人口统计数据反映了美国人口，使我们的结果在临床上适用于一般人群。”

排除后，Lin的研究组包括7805例患者，其中1798例被诊断为多动症，所有患者都接受了结构MRI扫描、弥散张量成像和静眠状态功能MRI。研究人员对成像数据进行了统计分析，以确定多动症与神经成像指标的关系，包括脑容量，表面积白质完整性和功能连通性。

林说:“我们几乎在大脑的所有区域都发现了变化。”“整个大脑的普遍性令人惊讶，因为之前的许多研究已经确定了大脑选择性区域的变化。”

在ADHD患者中，研究人员观察到涉及记忆处理和听觉处理的大脑网络连接异常，大脑皮层变薄，以及显著的白质微观结构变化，尤其是在大脑额叶。

“额叶是大脑中控制冲动和注意力缺失的区域，这是多动症的两个主要症状，”林说。

Lin说，MRI数据足够重要，可以用作机器学习模型的输入，以预测多动症的诊断。机器学习是一种人工智能，它可以分析大量的MRI数据。

她说:“我们的研究强调，多动症是一种神经系统疾病，在大脑中有神经结构和功能表现，而不仅仅是一种纯粹的外化行为综合征。”

林说，这项研究的人口水平数据为MRI生物标志物提供了大脑的可靠图像提供了保证。

“有时，当一个临床诊断是否有疑问，客观大脑核磁共振扫描可以帮助明确识别受影响的儿童，”林说。目的MRI生物标志物可用于ADHD诊断、治疗计划和治疗监测的决策。

资深作者Sam Payabvash，医学博士，耶鲁医学院的神经放射学家和放射学助理教授，注意到最近的试验已经报道了多动症儿童对治疗反应的微观结构变化。

他说:“我们的研究提供了新颖的多模态神经成像生物标志物，作为这些儿童的潜在治疗靶点。”

研究的共同作者是Stefan Haider, Clara Weber和Simone Kaltenhauser。