AI 模型使用虚拟现实和眼球运动数据预测成人 ADHD

快速阅读: 《心理邮报》消息，新研究结合虚拟现实、眼动追踪等技术，以81%的准确率帮助识别成人ADHD，强调多模态评估提升诊断客观性，但需更大样本验证。

别错过！关注PsyPost的蓝天空账号！

一篇发表在《转化精神病学》上的新研究指出，结合虚拟现实、眼动追踪、头部运动数据和自我报告的症状，可能以更高准确性帮助识别成人注意缺陷多动障碍（ADHD）。在一项旨在模拟真实世界干扰的诊断测试中，研究人员发现，当在独立样本测试中，他们的机器学习模型能够以81%的准确率区分患有ADHD的成年人与未患该病的人。ADHD是一种神经发育障碍，表现为注意力不集中、冲动性和多动性。尽管它通常在儿童时期被诊断出来，但它也影响着数百万成年人。

主要依赖于临床访谈和回顾性自我报告，成人的ADHD诊断尤其困难。这些方法因记忆偏差或故意误报而容易出错。与其他一些医学状况不同，目前没有已确立的生物标志物或实验室测试可以确认ADHD的诊断。因此，误诊仍然是一个严重问题。

为了解决这些挑战，研究团队通过采用多模态评估方法提高诊断准确性，这种方法反映了ADHD患者的真实世界体验。他们结合了持续注意力任务的表现、眼动追踪、头部运动测量、脑电图（EEG）和实时自我报告。参与者在一个模拟的研讨会环境中使用虚拟现实完成任务，在那里引入噪音或移动等干扰来模仿日常中断。

“ADHD是一个复杂且异质性强的障碍，到目前为止，没有任何认知测试或（生物）标记能够准确可靠地检测它。然而，这样的客观指标将显著促进诊断过程，”共同第一作者本杰明·塞拉斯基斯基说道，他隶属于波恩大学医院精神病学和心理治疗系。

“初步证据表明，结合多种评估模式可能会提高诊断准确性。此外，有证据表明，虚拟现实（VR）可以通过提供现实、生态有效的测试环境来提高ADHD认知测试的诊断准确性。”

“因此，在本研究中，我们旨在调查是否将基于VR的认知测试与头动和眼动追踪、EEG评估以及任务期间的实时症状自评相结合，能够在区分ADHD成人和非ADHD成人方面达到高精度。”

这项研究分为两个阶段进行。在第一阶段，研究人员从50名成年人（25名ADHD患者和25名非ADHD患者）收集训练数据。在第二阶段，他们在一个独立的36人组（18名ADHD患者和18名非ADHD患者）上测试了模型的预测准确性。这一步骤对于确保模型能够推广到其训练组之外至关重要。

每位参与者佩戴VR头显并完成连续性能任务（CPT），该任务要求他们在忽略干扰因素的同时对某些字母序列按下按钮。在任务过程中记录了他们的反应、头部和眼动、脑电活动及症状自评。

机器学习模型经过训练以识别不同类型数据中的模式，这些模式最能预测ADHD。为确保模型聚焦于最有信息量的特征，研究人员使用了一种名为最大相关性和最小冗余度（MRMR）的统计方法，该方法选择既与诊断强相关又相对彼此不相关的变量。从总共76个特征中，最佳模型仅选用了11个特征以达到最佳性能。这些特征来自五个数据源中的四个：自我报告的症状、眼动追踪、任务表现和头部运动。

其中最重要的预测指标包括参与者的目光游移程度、反应时间的变化程度以及他们在任务期间头部移动的程度。自我报告的注意力不集中、多动和冲动评分也起到了重要作用，尽管研究人员指出，自我评估在ADHD患者中存在已知局限性。

应用于独立测试集时，模型整体准确率达到81%，敏感性为78%，特异性为83%。这意味着它正确识别了78%的ADHD病例和83%的非ADHD病例。这些数据与早期ADHD机器学习研究结果类似，但有一个重要区别：大多数以往研究并未在其模型上测试独立数据集。这一点对于避免过高估计模型在实际应用中的表现至关重要。

“这项研究表明，结合多种类型的信息可以有效帮助识别成人ADHD，”共同第一作者安妮卡·维贝解释道。“基于一组ADHD成人患者和非ADHD成人资料，我们确定虚拟注意力任务表现、眼动、头部运动及VR场景中的自我报告症状是区分ADHD个体的关键因素。这些发现强调了采用多方法评估提升成人ADHD诊断准确性和客观性的潜力。”

虚拟现实设置的使用尤为重要。传统注意力测试通常在安静、无菌的实验室环境下进行，这并不能反映ADHD患者常常面临的嘈杂、分散注意力的情况。通过让参与者置身更真实的环境并引入干扰，研究人员能够捕捉到常规测试中可能不会显现的行为。这种方法增强了所谓的生态效度——即测试与现实生活情况的相似程度。

该研究还揭示了不同数据来源的相对价值。尽管EEG在ADHD研究中常用，但在这种情况下并未提高分类准确性。

“我们发现我们所研究的EEG参数并未对模型的预测准确性做出贡献，”塞拉斯基斯基告诉PsyPost。“尽管EEG在ADHD研究中常见，但我们的结果显示，眼动追踪、头部运动及VR任务中的自我报告症状等其他测量方法在区分成人ADHD方面更具实用性。”

尽管研究结果令人鼓舞，但也存在局限性。样本量相对较小，训练集和测试集总共有86名参与者。这限制了结果的普遍性，但使用独立验证样本确实加强了结论。

“需要更大范围、更多样化人群的进一步研究来验证和完善这一诊断方法，”维贝说道。“我们旨在开发一种标准化、高效且生态有效的成人ADHD诊断工具，可以轻松应用于临床环境。”

“通过完善我们的VR评估并在更大范围、更多样化人群中验证它，我们希望提高ADHD诊断的准确性和可靠性，并可能将此方法应用于其他神经发育障碍。通过我们的多方法路径，我们希望能更全面地把握一个人的认知和行为功能，从而实现更精准和个性化的诊断。”

“我们的研究结果凸显了整合多种评估方式在诊断如ADHD这类复杂疾病中的重要性，”维贝补充道。“重要的是，不同于大多数以往ADHD机器学习研究，我们的研究在独立测试数据集上验证了预测模型，这增强了我们研究结果的可靠性和潜在临床相关性。”

该研究题为《基于眼动追踪、EEG、动作记录仪和行为指数的成人ADHD虚拟现实辅助预测：独立训练和测试样本的机器学习分析》，由安妮卡·维贝、本杰明·塞拉斯基斯基、玛莎·帕斯金、劳拉·阿舍、朱利安·帕科斯、贝赫伦姆·阿斯兰、西尔克·卢克斯、亚历山德拉·菲利普森和尼克拉·布劳恩共同撰写。

(以上内容均由Ai生成)