编辑推荐：
为解决 ADHD 诊断难题，研究人员开展视网膜眼底成像研究，发现其可用于 ADHD 筛查与 EF 分层。
注意力缺陷多动障碍（Attention-Deficit/Hyperactivity Disorder，ADHD），是一种常见的神经发育障碍，它就像一个调皮的 “小恶魔”，总是在孩子们成长的道路上捣乱。患有 ADHD 的孩子往往难以集中注意力，像坐不住的 “小猴子”，冲动行事，还异常活跃。据统计，全球 ADHD 的患病率约为 5.41%，这个数字背后，是无数家庭的困扰。
目前，ADHD 的诊断面临诸多挑战。传统的诊断方法，如临床访谈、家长问卷和神经精神测试，不仅耗费大量的时间和资源，而且主观性较强。不同的临床环境下，诊断和治疗决策差异很大。就好比不同的医生拿着不同的 “尺子” 来衡量，很难得出一致的结论。而且，ADHD 的症状与其他一些神经精神疾病有重叠，比如对立违抗障碍、自闭症谱系障碍（Autism Spectrum Disorder，ASD）等，这使得诊断更加复杂。现有的一些筛查工具，虽然有一定的诊断准确性，但在临床应用或人群筛查中，仍缺乏足够的敏感性和特异性。就像用一把不太精准的 “钥匙”，很难打开 ADHD 诊断这把 “锁”。
为了攻克这些难题，来自韩国延世大学医学院 Severance 医院儿童和青少年精神病学系、自闭症和发育障碍中心等多个机构的研究人员开展了一项极具意义的研究。他们将目光聚焦在视网膜眼底成像上，试图探索其作为 ADHD 生物标志物的潜力。该研究成果发表在《npj Digital Medicine》上。
研究人员主要运用了以下关键技术方法：
首先，从韩国两所医院招募了 445 名 ADHD 儿童和青少年，并回顾性收集了 345 名年龄和性别匹配的典型发育儿童的视网膜照片。其次，利用 AutoMorph 自动化管道，从视网膜照片中提取特征。最后，构建了随机森林（Random Forest，RF）、极端梯度提升（extreme gradient boosting，XGBoost）、Extra Trees 分类器（extra trees classifier，EXT）和逻辑回归（logistic regression，LR）这四种机器学习模型，用于 ADHD 的筛查和执行功能（Executive Function，EF）子域的预测。
下面来看看具体的研究结果：
- 研究人群：研究共分析了 646 名参与者（<19 岁）的 1108 张眼底照片。经过筛选，ADHD 组有 323 名参与者（554 只眼睛），TD 组有 323 名年龄和性别匹配的参与者（554 张图像）。部分 ADHD 参与者完成了韩国 ADHD 评定量表（Korean ADHD Rating Scale，K-ARS）和综合注意力测试（Comprehensive Attention Test，CAT）。
- ADHD 筛查模型性能：所有机器学习模型在区分 ADHD 儿童和典型发育（Typical Development，TD）儿童方面都表现出色。XGBoost 模型表现最佳，其受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve，AUROC）达到 96.9% ，敏感性为 91.6%，特异性为 92.0%，校准良好。这意味着该模型就像一个精准的 “探测器”，能有效识别出 ADHD 儿童。
- 特征重要性分析：通过对表现最佳的 XGBoost 模型进行 Shapley 加性解释（Shapley additive explanations，SHAP）特征重要性分析，发现血管密度、平均血管宽度和 B 区动脉血管密度等特征与 ADHD 分类密切相关。例如，ADHD 儿童的视网膜血管整体更密集、更厚，但 B 区动脉血管虽密集却更细。
- EF 子域预测：不同模型对 EF 子域的预测性能有所差异。视觉选择性注意力（Visual Selective Attention，VSA）和持续注意力反应任务（Sustained Attention Response Task，SART）领域表现较好，而听觉选择性注意力（Auditory Selective Attention，ASA）领域表现较差。这表明基于视网膜照片的机器学习模型在预测与视觉注意力相关的 EF 缺陷方面更有效。
研究结论和讨论部分指出，该研究首次利用机器学习模型对 ADHD 和 TD 儿童的视网膜特征进行分类，模型展现出高诊断准确性、敏感性和特异性，说明视网膜结构有望成为 ADHD 的生物标志物，反映 EF 损伤的严重程度。研究还发现 ADHD 儿童视网膜结构的改变可能与多巴胺能信号失调、炎症等因素有关。不过，该研究也存在一些局限性，比如数据集来自韩国两所医院，样本的地域和人口特征有限；视网膜照片为二维图像，信息有限；研究对象年龄范围较窄等。但这依然为后续研究指明了方向，未来可以进一步扩大样本范围，采用更先进的成像技术，探索不同年龄段的视网膜生物标志物差异等。总之，这项研究为 ADHD 的诊断和研究开辟了新的道路，让我们离攻克 ADHD 这个难题又近了一步。
