ADHD分类与交叉数据集特征选择用于生物标志物一致性检测

科学领域:

• 神经科学是一个神经科学.
• 计算精神病学是一种计算精神病学.
• 生物标志物发现发现

背景情况:

• 注意缺陷多动性障碍 (ADHD) 是一个常见的儿童神经发育障碍.
• 目前的数据驱动的ADHD诊断方法缺乏跨数据集的生物标志物一致性,阻碍了可靠性和可解释性.
• 在ADHD分类中变化的学习特征破坏了已识别的生物标志物的可靠性.

研究的目的:

• 开发一个跨数据集特征选择模块,以提高ADHD生物标志物的一致性.
• 提高ADHD诊断方法的可靠性和可解释性.
• 使用连接组梯度数据识别稳定的ADHD生物标志物.

主要方法:

• 提出了一个跨数据集特征选择 (FS) 模块,使用基于SVM的集成递归特征消除 (G-SVM-RFE).
• 将G-SVM-RFE模块集成到二元假设测试 (BHT) 框架中.
• 利用连接组梯度数据用于ADHD分类和生物标志物识别.

主要成果:

• 在不同数据集的ADHD分类中,平均准确率为96.7%.
• 识别了主要来自全球大脑区域的歧视性梯度组件.
• 识别了具有高出现频率的特定大脑区域作为一致的ADHD生物标志物.

结论:

• 拟议的方法提高了ADHD的生物标志物一致性和诊断准确性.
• 已识别的生物标志物与现有的关于ADHD脑功能障碍的研究一致.
• 该方法为ADHD机制提供了增强的生物学解释.