研究人员确定了儿童多动症的大脑标记物

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

根据美国疾病控制与预防中心(Centers for Disease Control and Prevention)的数据，注意力缺陷多动障碍(ADHD)是儿童时期最常见的神经发育障碍之一，约有600万名3至17岁的美国儿童受到影响。

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。诊断依赖于儿童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、更有效、更可靠的诊断方法，”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的症状通常没有被诊断或误诊，因为评估是主观的。”

研究人员使用了来自青少年大脑认知发展(ABCD)研究的MRI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的研究涉及了来自全国21个中心的11878名9-10岁的儿童，以代表美国的社会人口多样性

“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，”林说。

排除后，Lin的研究组包括7805例患者，其中1798例诊断为ADHD，所有患者都进行了结构MRI扫描、弥散张量成像和静息态功能MRI。研究人员对影像学数据进行了统计分析，以确定多动症与神经影像学指标的关系，包括脑容量，表面积白质完整性和功能连通性。

林说:“我们发现，我们调查的大脑几乎所有区域都发生了变化。”“这种遍布整个大脑的现象令人惊讶，因为许多之前的研究已经确定了大脑的特定区域的变化。”

在多动症患者中，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。

林说:“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，MRI数据非常重要，可以作为机器学习模型的输入来预测ADHD的诊断。机器学习是人工智能的一种，它使分析大量MRI数据成为可能。

“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的表现，而不仅仅是一种纯粹的外化行为综合征，”她说。

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

“有时当临床诊断是否有疑问，客观大脑核磁共振扫描可以帮助清楚地识别受影响的儿童。”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，神经放射学家和耶鲁医学院放射学助理教授，注意到最近的试验报告了对多动症儿童治疗反应的微观结构变化。

他说:“我们的研究为这些儿童提供了新的、多模态的神经成像生物标志物，作为潜在的治疗靶点。”

该研究的共同作者是斯特凡·海德尔、克拉拉·韦伯和西蒙娜·卡尔滕豪泽。