基于可解释的人工智能的注意力缺陷多动性障碍的预测

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 心理测量 心理测量 心理测量

背景情况:

• 准确的注意力缺陷多动症 (ADHD) 诊断对于有效治疗至关重要.
• 像WISC-IV这样的传统方法提供了诊断证据.
• 机器学习 (ML) 和可解释的人工智能 (XAI) 提供先进的预测和解释能力.

研究的目的:

• 用ML算法预测ADHD诊断的可能性.
• 为ML模型决策过程提供可解释的见解.
• 评估ML和XAI在支持ADHD诊断中的实用性.

主要方法:

• 使用了来自西班牙的694例WISC-IV分数,年龄和性别的数据集.
• 使用分层的10倍交叉验证来评估各种ML算法.
• 应用特征选择 (Boruta) 和XAI (Shapley值) 用于模型解释.

主要成果:

• 随机森林模型获得了高性能 (ACC=0.90,AUC=0.94,敏感性=0.91,特异性=0.92).
• 一个缩小了8个关键的WISC-IV变量的集合,产生了与完整的特征集可比的结果.
• 关键预测指标包括GAI-CPI,WMI,CPI,PSI,VCI,WMI-PSI,PRI和LN. 这些预测指标包括GAI-CPI,WMI,CPI,PSI,VCI,WMI-PSI,PRI和LN.

结论:

• 机器学习模型,特别是随机森林模型,在预测ADHD诊断方面表现出很高的准确性.
• XAI技术提高了透明度,帮助专业人士了解诊断因素.
• 这种基于ML的工具支持ADHD评估中的临床决策,而不是取代专业的判断.