视网膜底部成像作为ADHD的生物标志物,使用机器学习进行查和视觉注意力分层
Hangnyoung Choi1,2, JaeSeong Hong3, Hyun Goo Kang4,5
1Department of Child and Adolescent Psychiatry, Autism and Developmental Disorder Center, Severance Hospital, Yonsei University College of Medicine, Seoul, Republic of Korea.
NPJ digital medicine
|March 18, 2025
概括
通过机器学习分析的视网膜底部照片显示了对非侵入性查注意力缺陷/多动症障碍 (ADHD) 的前景. 这种方法也可能有助于分层执行功能缺陷,特别是在视觉注意力领域.
科学领域:
- 眼科医生 眼科 眼科
- 神经发育障碍 神经发育障碍
- 人工智能在医学中的应用
背景情况:
- 由于症状异质性,注意力缺陷/多动障碍 (ADHD) 存在诊断挑战.
- 目前的ADHD诊断依赖于临床评估,缺乏客观的生物标志物.
- 执行功能 (EF) 缺陷是ADHD的核心特征,严重程度各不相同.
研究的目的:
- 为了研究机器学习 (ML) 分析视网膜底部照片作为ADHD查的非侵入性生物标志物.
- 评估视网膜成像在ADHD中分层执行功能 (EF) 缺陷的潜力.
- 探索特定视网膜特征在预测ADHD和EF亚型方面的实用性.
主要方法:
- 用AutoMorph管道分析了323名患有ADHD的儿童和青少年和对照者的视网膜底部照片.
- 四个机器学习模型用于ADHD查和EF子域预测.
- 用形状增量解释 (SHAP) 方法来解释模型预测.
主要成果:
- ADHD查模型实现了高诊断准确性,接收器操作特征曲线 (AUROC) 下的面积从95.5%到96.9%不等.
- 对EF缺陷的分层对视觉子域表现强 (AUROC>85%),但对听觉子域表现较弱.
- 视网膜特征分析确定了ADHD和视觉注意力缺陷的潜在生物标志物.
结论:
- 视网膜底部摄影与ML相结合,为ADHD查提供了一个有希望的非侵入性工具.
- 这种方法表明了分层执行功能缺陷的潜力,特别是在视觉注意力领域.
- 进一步的研究可以验证视网膜成像作为ADHD评估和管理的临床辅助.
