您眼睛后部的某些东西可能会表明您是否患有多动症

快速阅读: 据《科学警报》最新报道，新研究显示，韩国科学家利用机器学习分析视网膜眼底照片，以高准确率（96.9%）预测注意缺陷多动障碍（ADHD），关键指标包括血管密度和视盘变化。此方法快速、易扩展，未来将在更大、更多样化人群中测试。

准确诊断注意缺陷多动障碍（ADHD）对于为需要帮助的人提供清晰方向和支持至关重要，但现有的诊断方法既耗时又不够一致。一项新研究表明，人工智能或许可以提供帮助。

韩国研究人员训练的机器学习模型能够将眼底照片特征与专业ADHD诊断联系起来进行预测。在研究中测试的四种机器学习模型里，表现最佳的一种仅基于图像分析就能准确预测ADHD，准确率达到了96.9%。研究团队发现，较高的血管密度、血管形态和宽度以及视盘的某些变化是判断一个人是否患病的关键指标。研究人员成功将视网膜眼底照片特征与ADHD关联起来。（崔等，《数字医学npj》, 2025）

多年来，人们认为与ADHD相关的脑连接变化也可能在我们的眼睛中显现出来。如果我们能弄清楚要寻找什么，这可能意味着一种更快、更可靠的识别该疾病的方法。“我们的视网膜眼底照片分析显示其作为ADHD筛查及视觉注意力领域执行功能缺陷分层的非侵入性生物标志物具有潜力，”由延世大学医学院团队领导的研究人员在其发表的论文中写道。

该方法在323名已确诊ADHD的儿童和青少年以及另一组323名年龄和性别与之匹配但未确诊ADHD的人群中进行了测试。研究人员发现，AI系统在多项指标上对ADHD预测表现优异。它还能较好地识别出该疾病的一些特征，例如视觉选择性注意力受损。

近期已有几种探索用于ADHD筛查的机器学习技术。尽管在原始分数上并非最精确的方法，但其准确性接近，且运行和评估速度快，易于扩展。值得注意的是，早期高精度模型往往依赖一组多样化变量，每个变量都能对区分受试者做出贡献。“我们的方法通过聚焦视网膜照片简化了分析过程。这一单一数据源策略提升了我们模型的清晰性和实用性，”研究人员写道。

接下来，研究人员希望在更大范围的人群和更广泛的年龄段中尝试这些测试。本研究参与者平均年龄为9.5岁，我们了解到成人ADHD的表现可能有所不同。系统仍有提升空间，比如自闭症谱系障碍患者被排除在本研究主体之外，但进一步测试表明，AI在区分自闭症和ADHD方面表现不佳。

约每20人中有1人患ADHD，这可能涉及注意力、冲动和多动问题。这对许多个体而言，更快、更准确的诊断可能意义重大。“早期筛查和及时干预有助于改善ADHD患者的社交、家庭和学业功能，”研究人员写道。

这项研究已发表在《数字医学npj》上。

(以上内容均由Ai生成)