用机器学习驱动的时间瞳孔动态分析用于可解释的ADHD诊断

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.

背景情况:

• 注意缺陷/多动症 (ADHD) 诊断依赖于主观评估,缺乏客观生物标志物.
• 瞳孔测量为ADHD相关的认知和注意力过程提供了潜在的客观测量.

研究的目的:

• 开发一个可解释的机器学习框架,使用时间瞳孔动态来对ADHD进行分类.
• 识别和验证新的,临床上相关的基于学生的特征,用于客观的ADHD诊断.

主要方法:

• 在视觉空间工作记忆任务期间,分析了49名参与者的瞳孔测量数据 (21个对照组,28个ADHD).
• 提取了新的动态瞳孔扩张和收缩率在时间段作为关键特征.
• 采用统计分析 (混合ANOVA) 和可解释的机器学习模型,优先考虑验证的特征.

主要成果:

• 该框架实现了高分类准确性:仅使用瞳孔特征达到84.4%,任务性能达到86.7%,反应时间达到88.9%.
• 模型表现出强的性能,AUROC高达91.5%,高灵敏度 (97.8%),包括反应时间.

结论:

• 来自时间动态的可解释,动态的学生指标提供了客观和可重复的ADHD诊断的有希望的途径.
• 这种方法有可能推进临床部署,并改善ADHD诊断程序的标准化.