以近乎完美的准确性检测多动症

布法罗大学的一名研究人员领导的一项新研究发现，大脑不同区域之间的特定交流，即大脑连接，可以作为注意缺陷多动障碍(ADHD)的生物标志物。

这项研究依赖于一个使用机器学习分类器的深度架构，以99%的准确率识别那些多年前就被诊断患有多动症的成年人。

“这表明，大脑连通性是多动症的一个稳定的生物标志物，至少在儿童时期是这样，即使当一个人的行为变得更加典型时，可能是通过采用不同的策略来掩盖潜在的障碍，”该研究的第一作者、UB艺术与科学学院的心理学助理教授克里斯·麦克诺根(Chris McNorgan)说。

该研究结果发表在该杂志上前沿生理学，不仅对发现ADHD(一种常见但难以诊断的障碍)有意义，而且可以帮助临床医生通过了解患者在广泛的连续体中的位置来确定治疗的目标。

McNorgan是神经成像和计算建模方面的专家，他说:“因为特定的药物与特定的途径发生反应，了解不同类型的注意力缺陷多动障碍(ADHD)可以帮助我们做出药物取舍的决定。”

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。

当患者再次接受后续评估时，ADHD的临床诊断可能会发生变化。

“病人可能会表现出来行为症状但即使是几天后，也可能不会出现这些症状，或达到相同的程度，”麦克诺根说。“这可能就是好日子和坏日子的区别。

“但多动症患者的大脑连接特征似乎更稳定。我们没有看到诊断上的变化。”

这个多学科研究团队由UB的本科生研究志愿者Cary Judson和计算机科学与工程系的Dakota Handzlik，以及辛辛那提大学的心理学副教授John G. Holden组成，他们使用了80名成年参与者的功能磁共振数据，这些参与者在儿童时期被诊断患有多动症。

然后将机器学习分类器应用于一项任务中的四个活动快照，该任务旨在测试受试者抑制自动反应的能力。

对单个跑步的集中分析达到91%的诊断准确率，而集体分析接近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，比之前的任何报告都要高，也远远超过了行为评估所取得的任何成就。”“可能有很多因素促成了我们卓越的分类性能。”

之前的研究表明大脑的连接ADHD采用直接线性分类。这项研究着眼于事物和事物预测之间的关系，比如咖啡和表现。

对于许多范围，直接的线性分类是有效的，但咖啡和表现之间的关系，就像行为症状和注意力缺陷多动障碍之间的关系，不是线性的。一两杯咖啡可能会提高表现，但在某些情况下，咖啡因可能会损害表现。McNorgan认为，当你拥有“太多或太少的好东西”时，非线性关系就会存在。

深度学习网络非常适合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，就可以预测ADHD，但如果这些区域也高度相连，则不能预测c区域。这种关系对于最常用的技术来说是有问题的，但对深度学习分类器来说不是。

麦克诺根的模型更进一步，他还区分了在爱荷华州赌博任务(IGT)中有典型或非典型表现的多动症患者。IGT是一种类似于赌场纸牌游戏的行为范式，呈现出高风险和低风险选项，通常用于研究和诊断多动症。

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

此外，尽管多动症患者倾向于在IGT中做出更冒险的选择，但这并不是一个普遍的决定因素。一些没有多动症的人也会做出比其他人更有风险的选择。

麦克诺根说:“这种通过区分这两个维度的方法提供了一种机制，可以对多动症患者进行分类，从而实现有针对性的治疗。”“我们可以看到人们在连续体中的位置。”

他补充说，因为大脑连续体两端的人都涉及不同的大脑网络，这种方法为开发专注于特定大脑网络的疗法打开了大门。

---

---