大脑之间的交流
深度学习网络非常适合检测非线性的条件关系。在本研究中,ADHD是根据大脑区域(例如,A,B和C)之间的交流模式预测的。如果A和B区域高度相关,则可以预测ADHD,但如果这些区域不正确,则可以预测区域也与区域C高度相关。对于常用的技术而言,这类关系是有问题的,但对于深度学习分类器而言却不成问题。
McNorgan的模型进步通过区分在爱荷华州赌博任务(IGT)中具有典型或非典型表现的ADHD个体来进行区分。IGT是种行为模式,类似于赌场纸牌游戏,具有高风险和低风险选项,通常用于研究和诊断ADHD。
传统技术次不能进行多个分类。McNorgan的方法将ADHD诊断与IGT的性能完美地联系在起,从而提供了个可能的桥梁,解释了为什么两者都与大脑的布线有关。
此外,即使患有ADHD的人倾向于在IGT中做出风险更大的选择,但这也不是普遍的决定因素。些没有注意力缺陷多动症的人也会做出比其他人冒险的选择。
麦克诺根说:“通过区分这两个方面的方法,该机制提供了种以能够进行针对性治疗的方式对多动症患者进行亚分类的机制。” “我们可以看到人们在连续体中的位置。”
他补充说,由于在连续体两端的每个人都牵涉到不同的大脑网络,因此这种方法为开发针对特定大脑网络的疗法打开了大门。
由布法罗大学的研究人员导的项新研究已经确定了不同大脑区域之间的特定交流(称为大脑连通性)如何可以作为注意力缺陷多动障碍(ADHD)的生物标记。
这项研究依靠使用机器学习分类器的深度体系结构,以99%的准确度识别那些早在多年就已获得儿童多动症诊断的成年人。
心理学助理教授克里斯·麦克诺根(Chris McNorgan)表示:“这表明,大脑的连通性至少在儿童时期就已成为ADHD的稳定生物标志物,即使当个人的行为变得更加典型时,也可能通过采用不同的策略来掩盖潜在的疾病。” UB艺术与科学学院,以及该研究的主要作者。
这项发现发表在《生理学沿》杂志上,不仅对发现ADHD(种难以识别的常见但诊断上是滑溜性疾病)具有意义,而且还可以帮助临床医生通过了解患者坐在宽广的连续体上的位置来靶向治疗。
“由于某些药物会通过某些途径发生反应,因此了解不同类型的注意力缺陷多动障碍可以帮助您决定种药物相对于其他药物的决策,”神经影像和计算建模家McNorgan说。
注意缺陷障碍是学龄儿童中常被诊断出的心理障碍,但多种亚型使多动症的临床定义复杂化。
当同位患者返回进行后续评估时,该患者的ADHD临床诊断可能会改变。
麦克诺根说:“患者天可能会表现出与注意力缺陷多动症(ADHD)致的行为症状,但即使在几天后,也可能不会表现出这些症状,或表现出相同程度。” “这可能只是好日子和坏日子之间的区别。
“但是多动症的大脑连接特征似乎更加稳定。我们没有看到诊断触发器。”
UB本科研究志愿者的多学科研究团队来自心理学系和计算机科学与工程系的Dakota Handzlik的Cary Judson,以及辛辛那提大学的心理学副教授John G. Holden使用了来自fMRI的档案fMRI数据80名成年儿童被诊断患有多动症。
然后,在旨在测试受试者抑制自动响应能力的任务中,将机器学习分类器应用于活动的四个快照。
集中分析单个运行可达到91%的诊断准确性,而集体分析则接近99%。
麦克纳根说:“这是迄为止我在任何地方都看到的高的准确率-这是联盟所无法比拟的,而且远远超出了行为评估所能达到的任何目标。” “许多因素可能有助于我们出色的分类性能。”
先的研究表明大脑连接性和注意力缺陷多动症之间的关系使用直接线性分类。这项研究着眼于事物与事物的预测之间的关系,例如咖啡和性能。
在许多范围内,直接线性分类是有效的,但是咖啡和性能之间的关系(如行为症状和ADHD)不是线性的。两杯咖啡可能会提高性能,但是在某些时候,咖啡因可能会损害性能。麦克诺根认为,当件事情“件太少或太多”时,就会存在非线性关系。