在儿童中识别ADHD的图形神经网络
Runxuan Yu1, Xinmeng Zhang1, You Chen1,2
1Vanderbilt University, Nashville, TN, USA.
Studies in health technology and informatics
|August 8, 2025
概括
图形神经网络,特别是GraphSAGE,在儿童诊断注意力缺陷/多动障碍 (ADHD) 方面表现有前途. 这种人工智能方法在一项大规模研究中表现优于传统方法,使得ADHD的早期干预成为可能.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 儿科健康 儿科健康
背景情况:
- 注意缺陷/多动障碍 (ADHD) 是一种流行的神经发育障碍.
- 早期和准确的诊断对于有效干预ADHD儿童至关重要.
研究的目的:
- 为了比较图形神经网络GraphSAGE与XGBoost的诊断性能.
- 通过使用现实世界的数据,评估机器学习模型对ADHD诊断的有用性.
主要方法:
- 利用了来自2022年全国儿童健康调查的42,041名儿童的数据.
- 训练并评估了GRAPHSAGE (图形神经网络) 和XGBoost模型用于ADHD分类.
主要成果:
- 与XGBoost (0.8241) 相比,GraphSAGE获得了一个更高的F1得分 (0.8331).
- 图形神经网络在研究队列中在识别ADHD方面表现出卓越的表现.
结论:
- GraphSAGE为ADHD诊断提供了一个比XGBoost更有效的机器学习方法.
- 这些发现支持先进的人工智能在改善儿科神经发育障碍诊断方面的潜力.
更多相关视频
13:09Using Brain Activation nir-HEG/Q-EEG and Execution Measures CPTs in a ADHD Assessment Protocol
Published on: April 1, 2018
10.4K
05:48The Adventures of Fundi Intervention Based on the Cognitive and Emotional Processing in Attention Deficit Hyperactive Disorder Patients
Published on: June 12, 2020
5.8K
