这项深度学习研究揭示了注意力缺陷多动症青少年大脑变化的独特特征：磁共振扫描分析的突破

<img alt=”” src=”https://ai.miximages.com/www.marktechpost.com/wp-content/uploads/2023/12/3811637-1024×1024.jpg”/><img alt=”” src=”https://ai.miximages.com/www.marktechpost.com/wp-content/uploads/2023/12/3811637-150×150.jpg”/>在一项具有突破意义的研究中，研究人员利用人工智能（AI）的力量来解决青少年注意力缺陷多动障碍（ADHD）诊断中固有的挑战。长期以来，依赖于主观自我报告调查的常规诊断方式一直受到批评，因为它缺乏客观性。现在，一个研究团队引入了一种创新的深度学习模型，利用青少年大脑认知发展（ABCD）研究的脑成像数据，旨在革新ADHD的诊断方法。目前的ADHD诊断方法由于其主观性和对行为调查的依赖而不足。为此，研究团队设计了一个基于AI的深度学习模型，研究了超过11,000名青少年的脑成像数据。该方法包括使用由扩散加权成像得出的关键指标——散度加权成像的分数各向异性（FA）测量训练模型。这种方法旨在发现与ADHD相关的独特脑模式，为诊断提供更客观和量化的框架。这个深度学习模型旨在识别FA值的统计显著差异，结果显示在患有ADHD的青少年中，与执行功能、注意力和语言理解相关的九个白质束的测量值升高。这些研究结果在北美放射学会年会上发表，标志着一项重要的进步：<ul><li>与非ADHD个体相比，ADHD患者的FA值在30个白质束中有九个显著升高。</li><li>预测FA值与实际FA值之间的平均绝对误差（MAE）为0.041，与有无ADHD的受试者之间有显著差异（0.042对0.038，p=0.041）。</li></ul>这些量化结果凸显了深度学习模型的有效性，并突出了FA测量作为ADHD诊断的客观标志物的潜力。研究团队的方法解决了当前主观诊断的局限性，并为发展脑成像生物标志物提供了一条更客观、可靠的诊断途径。白质束中的差异代表了在ADHD诊断中迈出的有希望的一步。随着研究人员继续通过更广泛的研究数据完善他们的发现，AI在未来几年内革新ADHD诊断的潜力似乎越来越大。总之，这项开创性的研究不仅挑战了ADHD诊断的现状，还为利用AI进行客观评估开辟了新的可能性。神经科学和技术的交叉带来了希望，未来ADHD诊断不仅更准确，而且根植于脑成像的细微差别，提供了对这种普遍青少年障碍的全面理解。本文发表在《这项深度学习研究揭示了青少年ADHD的独特脑变化：MRI扫描分析的突破性进展》上，首发于MarkTechPost。