编辑推荐：
为解决儿童注意力缺陷多动障碍（ADHD）诊断耗时久、专家短缺及传统机器学习模型结果难解释的问题，研究人员开展了利用临床评估量表数据开发可验证、可解释机器学习模型识别儿童 ADHD 及其亚型的研究。结果显示随机森林（RF）和支持向量机（SVM）模型表现优异，并部署了在线应用，为临床诊断提供新方案。
在当今社会，儿童心理健康问题备受关注，其中注意力缺陷多动障碍（ADHD）是一种常见的精神障碍。患有 ADHD 的孩子就像小调皮鬼，难以安静地坐着，注意力也很难集中，这不仅影响他们的学习和生活，还会给家庭和社会带来沉重的负担。据统计，ADHD 的患病率在 5 - 12%，而且部分患儿的症状会持续到成年。
目前，儿童 ADHD 的诊断主要依赖专家的临床评估，要判断孩子是否符合《精神疾病诊断与统计手册》第 5 版（DSM - 5）的诊断标准。然而，这种评估至少需要一个小时，而且专业的专家数量不足，导致很多孩子不能及时得到诊断。例如在美国密歇根州，有超过 10 万儿童需要心理健康诊断，却只有 11 名训练有素的精神科医生能提供服务。
同时，虽然机器学习技术在处理大量数据方面有优势，但以往用它诊断 ADHD 的研究大多采用神经影像学等方法，这些方法在临床常规诊断中并不常用。而且，之前基于机器学习的研究结果虽然准确，但很难解释，这就像一个 “黑匣子”，医生难以理解模型是如何做出诊断决策的，限制了其在临床中的应用。
为了解决这些问题，首都医科大学附属北京儿童医院的研究人员开展了一项重要研究。他们利用来自 ADHD - 200 数据集的数据，包括人口统计学数据、行为评定量表和韦氏智力量表评估结果等，旨在开发一个可验证且可解释的机器学习模型，用于识别儿童 ADHD 及其亚型。研究成果发表在《BMC Psychiatry》上。
研究人员主要运用了以下关键技术方法：首先，对数据进行预处理，包括清洗数据，去除缺失值和异常值，还对数据进行标准化和平衡处理；接着，使用了 7 种机器学习模型，如支持向量机（SVM）、逻辑回归（LR）等进行分类任务；采用 10 折交叉验证评估模型性能，并使用 SHapley 加性解释（SHAP）方法对模型进行解释；最后，将最终模型部署到在线网络应用程序上。
研究结果如下：
- 参与者特征：研究共纳入 504 名参与者，其中 270 名非 ADHD 儿童，234 名 ADHD 儿童（ADHD - C = 126，ADHD - H = 4，ADHD - I = 104）。ADHD 组的男孩比例更高，且该组儿童在行为评定量表上得分更高，韦氏智力量表得分更低。
- 二元分类性能比较：在 10 折交叉验证中，随机森林（RF）模型表现最佳，平均 AUC 值达到 0.99。在外部验证中，RF 模型的 AUC 为 0.99，准确率为 0.95 等。这表明 RF 模型在识别 ADHD 方面具有很高的准确性。
- 多分类分类性能比较：在识别 ADHD 亚型的多分类任务中，支持向量机（SVM）模型表现最优，微平均 AUC 为 0.96，宏平均 AUC 为 0.95。外部验证中，SVM 模型准确率达 0.85 等，能较好地区分不同 ADHD 亚型。
- 全局模型解释使用 SHAP：通过 SHAP 分析发现，ADHD 指数在识别 ADHD 和 ADHD 亚型中都是关键特征。较高的 ADHD 指数、注意力不集中得分以及较低的操作智商和全量表智商得分与 ADHD 风险增加相关，男性在模型中也被认为患 ADHD 风险更高。
- 特征依赖分析和热图可视化：SHAP 依赖图显示，ADHD 指数大于 50 或操作智商小于 110 的样本更倾向于被诊断为 ADHD。热图表明 ADHD 指数和注意力不集中特征对模型输出影响显著。
- 在线网络应用部署：研究人员将最终模型部署到网络应用上，用户输入特征值后，应用会返回 ADHD 诊断概率，并生成决策图帮助用户理解模型决策过程。
研究结论和讨论部分指出，该研究成功开发了可解释的机器学习模型，RF 模型在预测 ADHD 方面表现出色，SVM 模型在识别亚型上优势明显。模型所用特征在临床常规就诊中容易获取，有望提高 ADHD 诊断的准确性和效率。与以往使用神经影像学数据的研究相比，使用问卷和评定量表作为预测特征更具实用性和可行性。同时，研究也存在一定局限性，如数据集的局限性，未来需要更广泛多样的数据来验证模型稳定性，还应探索更多机器学习算法提升预测准确性。但总体而言，这项研究为儿童 ADHD 的诊断提供了新的思路和方法，在临床实践中具有重要的应用价值，有望帮助医生更准确、高效地诊断 ADHD，让更多孩子及时得到帮助。
