以近乎完美的准确性发现ADHD

美国布法罗大学(University at Buffalo)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通信(即大脑连通性)是如何作为注意力缺陷多动障碍(ADHD)的生物标志物的。

该研究依赖于使用机器学习分类器的深度架构，以99%的准确率识别出多年前儿童时期被诊断患有多动症的成年人。

UB大学艺术与科学学院的心理学助理教授Chris McNorgan说:“这表明大脑连接是多动症的一个稳定的生物标志，至少在儿童时期是如此，即使一个人的行为变得更典型，也许是通过适应不同的策略来掩盖潜在的障碍。”也是这项研究的主要作者。

在期刊上发表的调查结果生理学的前沿，对不仅有难以识别的难以识别的常见而诊断的疾病，而且可以通过了解患者坐在跨越跨越连续体上的情况下，帮助临床医生瞄准治疗。

神经成像和计算模型专家McNorgan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可以帮助决定使用哪种药物。”

注意力缺陷症是学龄儿童中最常见的心理障碍，但很难识别。此外，多个亚型使ADHD的临床定义复杂化。

当同一患者返回随后的评估时，患者ADHD的临床诊断可以改变。

“病人可能会表现出行为症状一天一致，但甚至几天后，可能不会呈现这些症状，或同样的程度，“麦克诺根说：”这可能是美好的一天和糟糕的一天之间的区别。

“但ADHD的大脑连接签名似乎更稳定。我们没有看到诊断触发器。”

UB大学本科研究志愿者Cary Judson和计算机科学与工程系Dakota Handzlik，以及辛辛那提大学心理学副教授John G. Holden的多学科研究团队，研究对象为80名儿童时期被诊断患有多动症的成年人。

机器学习分类器，然后在旨在测试受试者禁止自动响应的能力的任务期间应用于四个活动的四个快照。

各个运行的重点分析取得了91％的诊断准确性，而集体分析接近99％。

“这是我见过的最高准确率，我看过任何地方 - 它是超出任何东西的联盟，而且超越了行为评估的任何东西都是通过行为评估所取得的事情，”麦克诺根说。“许多因素可能导致我们的卓越分类绩效。”

以前的研究表明之间的关系脑连接和ADHD使用直接线性分类。这项研究看起来与某事物之间的关系，例如咖啡和性能。

在很多范围内，直接的线性分类是有效的，但是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，不是线性的。一到两杯咖啡可能会提高表现，但在某种程度上，咖啡因可能会损害表现。麦克诺根说，当你拥有“一件好事太少或太多”时，非线性关系就存在了。

深度学习网络非常适合检测有条件的关系，这是非线性的。在目前的研究的情况下，从脑区域组之间的沟通模式预测到ADHD，例如，A，B和C.如果区域A和B高度相连，则可能是预测的ADHD，但如果这些区域也高度连接到区域C.对于最常用的技术而言，这些关系是有问题的，但不是用于深度学习分类器。

Mcnorgan的模型还通过在iowa赌博任务（IGT）上具有典型或非典型性能的adhd来进一步进一步进一步进一步进一步进一步进一步进一步进一步进一步进一步进一步进一步进一步进一步使用ADHD。IGT是类似于赌场卡游戏的行为范式，呈现出高风险和低风险的选项，通常用于研究和诊断ADHD。

传统技术一次无法制作多个分类。McNorgan的方法优雅地将ADHD诊断达到IGT上的性能，以提供一个潜在的桥梁，解释了为什么两个都与大脑的布线相关。

此外，即使ADHD患者倾向于在IGT中做出更冒险的选择，但它不是一个普遍的决定因素。一些没有多动症的人也会比其他人做出风险更高的选择。

McNorgan说:“这种区分这两个维度的方法提供了一种对ADHD患者进行分类的机制，从而可以进行针对性的治疗。”“我们可以看到人们在连续统一体上的位置。”

他补充说，由于不同的大脑网络涉及到连续体两端的人，这种方法为开发专注于特定大脑网络的疗法打开了大门。