AI 通过视网膜成像高精度识别 ADHD：研究

快速阅读: 据《韩国生物医学评论》称，由延世大学研究团队开发的AI模型，利用视网膜眼底照片筛查ADHD，准确率达96.9%。该模型通过机器学习工具分析眼底图，能有效识别ADHD及视觉注意缺陷，或将成为一种快速、客观的筛查手段。

由延世大学研究团队开发的一种使用视网膜眼底照片筛查注意力缺陷多动障碍（ADHD）的人工智能（AI）模型，在内部测试中实现了高达96.9%的最高诊断准确率。这项研究于上个月发表在《自然数字医学》上，分析了来自646名19岁以下儿童和青少年的1108张视网膜图像。参与者包括分别来自韩国两家医院——首尔塞弗伦斯医院和首尔圣母医院的323名被诊断为ADHD的患者，以及323名年龄和性别匹配且未患该病的个体。从左至右：延世大学医学院儿童与青少年精神科教授崔根雅、崔恒英，以及生物医学系统信息学系教授朴裕良。（图片由塞弗伦斯医院提供）

由延世大学医学院儿童与青少年精神科教授崔根雅、崔恒英，以及生物医学系统信息学系教授朴裕良领导的研究团队，利用名为AutoMorph的机器学习工具从眼底照片中提取详细测量数据。他们训练了四种类型的AI模型来区分ADHD和典型发育。表现最优的模型在受试者工作特性曲线下面积（AUROC）达到0.969，这是诊断准确性的标准衡量指标，其中1.0表示完美分类。其敏感性（检测ADHD的能力）和特异性（排除ADHD的能力）均超过91%。

研究人员表示，该AI还能够以87.3%的准确率识别视觉选择性注意的损害——即在忽略干扰的同时专注于相关视觉信息的能力。这些缺陷是ADHD执行功能障碍的已知特点。

当前ADHD诊断依赖耗时且资源密集的评估方法，包括临床访谈、家长问卷和神经认知测试。作者认为，视网膜成像作为一种非侵入性且不到五分钟的过程，可作为更快、更客观的筛查手段。

为了解模型如何作出预测，研究人员使用了Shapley加性解释（SHAP），这是一种强调对AI决策影响最大的特征的工具。分析表明，视网膜中更高的血管密度、更窄的动脉以及视盘的变化是与ADHD相关的最强标记之一。

“视网膜成像不仅可用作诊断ADHD的关键生物标志物，还可用于评估视觉注意力等执行功能缺陷，”崔教授说，“整个成像过程不到五分钟，并可能有助于监测ADHD药物疗效。”

(以上内容均由Ai生成)