在Actimetry上深度学习的ADHD诊断的洞察力:年龄和性别子组中对闭塞图的定量解释

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 注意缺陷/多动性障碍 (ADHD) 是一种常见的神经发育障碍,由于主观评估,具有诊断挑战.
• 人工智能 (AI) 通过医学数据分析提供客观的诊断潜力,但深度学习模型往往缺乏可解释性.
• 目前用于ADHD的AI诊断工具是复杂的"黑子",阻碍了对ADHD特定数据模式的理解.

研究的目的:

• 开发和验证一种可解释的AI方法,用于在分层年龄和性别的人群中诊断联合ADHD.
• 通过提供对诊断标记的透明见解,增强人工智能在ADHD诊断中的临床实用性.

主要方法:

• 利用卷积神经网络 (CNN) 来分析24小时的活动记录,分类活动窗口的光谱图.
• 采用遮蔽地图来解释CNN输出,突出显示时间频率模式,表明ADHD.
• 按年龄和性别进行分层分析,以确定特定人口的活动模式.

主要成果:

• 在所有人群中,在ADHD患者和对照人群之间,在白天和夜间频率模式中发现了显著的差异.
• 与对照人群相比,在男性ADHD人群中观察到明显的时间分散模式.
• 证明CNN解释技术揭示了ADHD指标的年龄和性别特异性差异.

结论:

• 开发的可解释的人工智能系统成功地突出了ADHD活动模式中的人口特异性差异.
• 这些发现表明,结合可解释性可以提高人工智能驱动的ADHD诊断准确度.
• 该方法为开发透明的AI诊断工具提供了基础,为ADHD病因提供了洞察力.