使用临床评估数据检测儿童ADHD的可解释机器学习方法:在线网络应用程序部署.

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.
• 儿科心理学 儿科心理学

背景情况:

• 注意缺陷/多动障碍 (ADHD) 是儿童常见的一种神经发育障碍,其特点是注意力不集中,多动和冲动.
• 准确的诊断和亚型识别对于有效的干预和管理至关重要.
• 现有的诊断方法可能是耗时和主观的,突出了客观工具的需要.

研究的目的:

• 开发和验证用于识别儿童ADHD及其子类型的机器学习模型.
• 确保模型可用于临床应用的可验证和可解释性.
• 创建一个用户友好的Web应用程序来预测ADHD的概率.

主要方法:

• 利用ADHD-200数据集,包括人口,行为和智力评估.
• 训练并验证了七个机器学习模型,包括随机森林 (RF) 和支持矢量机器 (SVM).
• 采用了SHapley添加式解释 (SHAP) 来实现模型的可解释性,并通过Web应用程序部署了最佳模型.

主要成果:

• 射频模型在ADHD识别方面实现了0.99的AUC,而SVM模型在高精度的亚型分类方面表现出色.
• SHAP分析显示,ADHD指数和较低的智商分数是显著的预测因素,与现有研究保持一致.
• 模型的解释性证实了对ADHD的关键行为尺度指标的识别.

结论:

• 机器学习模型,特别是RF和SVM,在儿童中诊断ADHD及其亚型时表现出很高的准确性.
• 可解释AI可以通过提供对ADHD诊断的客观见解来支持临床决策.
• 开发的网络应用程序提供了一个实用的工具,以提高儿童ADHD评估的诊断效率和准确性.