Q-MIND:使用量子机器学习来增强ADHD诊断,用于高级神经成像分析.
Bhawna Jain1, Astha Varshney2, Muskaan Vithal2
1Indira Gandhi Delhi Technical University for Women, New Delhi, Delhi, India. dr.bhawnajain.e@gmail.com.
Journal of neural transmission (Vienna, Austria : 1996)
|October 21, 2025
概括
这项研究引入了一种新的量子机器学习方法,用于诊断注意力缺陷多动障碍 (ADHD). 先进的框架实现了98.53%的准确性,提高了这种常见的神经行为障碍的诊断精度.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 计算精神病学是一种计算精神病学.
背景情况:
- 注意缺陷多动性障碍 (ADHD) 是儿童和青少年普遍存在的一种神经行为障碍,其特点是注意力不集中,过度活跃和冲动.
- 由于疾病的复杂性和缺乏标准化测试,准确和及时的ADHD诊断具有挑战性,导致大量未被诊断的病例.
- 整合神经成像和表型数据为改善诊断准确性提供了潜力.
研究的目的:
- 开发一个数据驱动的框架,以加强在ADHD诊断中的临床决策.
- 利用量子机器学习和进化算法来提高诊断精度.
- 创建一个强大的和可扩展的ADHD诊断工具.
主要方法:
- 利用ADHD-200数据集,包括神经成像和表型数据.
- 采用量子卷积神经网络 (QCNN) 来从MRI和行为数据中提取特征.
- 引入了差异进化 - 群集优化 (DE-Swarm) 算法用于特征选择和AutoML系统用于模型优化.
主要成果:
- 通过拟议的框架优化的梯度增强分类器,实现了98.53%的测试准确性.
- 与现有方法相比,这种方法显示出更高的精度,回忆力和特异性.
- 综合框架有效处理高维数据,识别诊断的细微模式.
结论:
- 该研究通过整合量子计算原理和进化策略,为ADHD诊断提供了一个强大而可扩展的框架.
- 将表型和神经成像数据与先进的机器学习相结合,可显著提高诊断精度.
- 这种方法支持对ADHD患者进行更个性化的临床评估.
更多相关视频
10:02Event Related Potentials ERPs and other EEG Based Methods for Extracting Biomarkers of Brain Dysfunction: Examples from Pediatric Attention Deficit/Hyperactivity Disorder ADHD
Published on: March 12, 2020
16.6K
04:25Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies
Published on: December 15, 2023
3.7K
