通过先进的机器学习探索潜在的ADHD生物标志物:对视听集成网络的检查
Mohammad Zamanzadeh1, Abbas Pourhedayat2, Fatemeh Bakouie2
1Department of Cognitive Science and Artificial Intelligence, Tilburg School of Humanities and Digital Sciences, Tilburg University, Warandelaan 2, Tilburg, 5037 AB, The Netherlands.
Computers in biology and medicine
|October 23, 2024
概括
这项研究探讨了注意力缺陷多动症障碍 (ADHD) 的儿童的听觉视觉整合网络 (AVIN). 机器学习识别了不同的AVIN模式,有助于自动化ADHD诊断.
科学领域:
- 神经科学是一个神经科学.
- 神经成像是一种神经成像.
- 计算精神病学是一种计算精神病学.
背景情况:
- 注意缺陷多动症 (ADHD) 是一种神经发育状况,其特点是注意力不集中和冲动.
- ADHD与大脑连接的改变和大规模大脑网络的结构变化有关.
- 之前的研究表明,在ADHD中存在感官通路异常,但感官整合区域未被充分探索.
研究的目的:
- 研究ADHD儿童的听觉视觉整合网络 (AVIN) 的连接概况.
- 应用机器学习技术来区分患有ADHD的儿童和基于AVIN特征的神经类型对照.
- 评估AVIN对ADHD的诊断潜力.
主要方法:
- 使用了ADHD-200休息状态功能性MRI (rs-fMRI) 数据集.
- 从AVIN中提取了超越传统基于网络的统计 (NBS) 的图形理论特征.
- 采用集体学习模型 (平衡随机森林,XGBoost,EasyEnsemble分类器) 来解决类不平衡和异质性.
主要成果:
- 在ADHD儿童和神经类型对照者之间发现了AVIN连接的显著差异.
- 使用AVIN特征对ADHD的自动诊断实现了中等准确度 (74.30%).
- EasyEnsemble分类器表现出平衡的灵敏度和特异性,表明其临床实用性.
结论:
- 听觉视觉整合网络在ADHD中显示出不同的连接模式.
- AVIN的措施有可能用于ADHD的自动诊断.
- 需要进一步的研究来验证和完善这些发现的临床应用.
