Исследование опиралось на глубокую архитектуру с использованием классификаторов машинного обучения для выявления с 99% точностью тех взрослых, которым в детстве был поставлен диагноз СДВГ много лет назад.
«Это говорит о том, что связность мозга является стабильным биомаркером СДВГ, по крайней мере, в детстве, даже когда поведение человека стало более типичным, возможно, путем адаптации различных стратегий, скрывающих основное расстройство», – сказал Крис МакНорган, доцент кафедры психологии в Колледж искусств и наук UB и ведущий автор исследования.
Результаты, опубликованные в журнале Frontiers in Physiology, имеют значение не только для выявления СДВГ, распространенного, но диагностически скользкого расстройства, которое трудно идентифицировать, но также могут помочь клиницистам нацелить лечение, понимая, где пациенты находятся в широком диапазоне.
«Поскольку определенные фармацевтические препараты реагируют определенными путями, понимание различных типов СДВГ может помочь в принятии решений об одном лекарстве по сравнению с другими», – сказал МакНорган, эксперт по нейровизуализации и компьютерному моделированию.
Синдром дефицита внимания является наиболее часто диагностируемым психологическим расстройством среди детей школьного возраста, но его трудно идентифицировать. Кроме того, множественные подтипы усложняют клиническое определение СДВГ.
Клинический диагноз СДВГ у пациента может измениться, когда тот же пациент вернется для последующей оценки.
«У пациента могут проявляться поведенческие симптомы, соответствующие СДВГ, в один прекрасный день, но даже дни спустя эти симптомы могут не проявляться или в такой же степени», – сказал Макнорган. "Это может быть просто разница между хорошим и плохим днем.
"Но сигнатура подключения мозга при СДВГ кажется более стабильной. Не видим диагностический триггер."
Междисциплинарная исследовательская группа, состоящая из добровольцев-исследователей бакалавриата UB Кэри Джадсона с факультета психологии и Дакоты Хандзлик с факультета компьютерных наук и инженерии, а также Джона Дж. Холден, доцент психологии Университета Цинциннати, использовал архивные данные фМРТ 80 взрослых участников, которым в детстве был поставлен диагноз СДВГ.
Затем классификаторы машинного обучения применялись к четырем снимкам активности во время выполнения задачи, предназначенной для проверки способности испытуемого подавлять автоматический ответ.
Сфокусированный анализ отдельных запусков достиг 91% -ной диагностической точности, в то время как коллективный анализ приблизился к 99%.
«Это, безусловно, самый высокий уровень точности, который я когда-либо видел в отчетах – это лиги, превосходящие все, что было до него, и намного превосходят все, что было достигнуто с помощью поведенческой оценки», – сказал Макнорган. "Многие факторы, вероятно, повлияли на нашу превосходную классификационную эффективность."
Предыдущее исследование, предполагающее связь между мозговой связью и СДВГ, использовало прямую линейную классификацию. Это исследование рассматривает отношения между чем-то и тем, что это что-то предсказывает, например кофе и производительность.
Для многих диапазонов эффективна прямая линейная классификация, но взаимосвязь между кофе и производительностью, как поведенческие симптомы и СДВГ, не является линейной.
Одна или две чашки кофе могут повысить работоспособность, но в какой-то момент кофеин может повредить работоспособность. По словам Макноргана, нелинейные отношения существуют, когда у вас может быть «слишком мало или слишком много хорошего».
Сети глубокого обучения хорошо подходят для обнаружения условных отношений, которые являются нелинейными. В случае настоящего исследования СДВГ был предсказан на основе моделей общения между группами областей мозга, скажем, A, B и C. Если бы регионы A и B были сильно связаны, это могло бы указывать на СДВГ, но не, если бы эти регионы также были сильно связаны с регионом C. Подобные отношения проблематичны для наиболее часто используемых методов, но не для классификаторов глубокого обучения.
Модель Макноргана идет дальше, также дифференцируя людей с СДВГ, которые имеют типичные или нетипичные результаты выполнения задачи по азартным играм штата Айова (IGT). IGT – это поведенческая парадигма, аналогичная карточной игре в казино, которая предлагает варианты как с высоким, так и с низким уровнем риска и обычно используется для изучения и диагностики СДВГ.
Традиционные методы не могут производить более одной классификации за раз. Подход Макноргана изящно связывает диагностику СДВГ с выполнением IGT, чтобы обеспечить потенциальный мост, который объясняет, почему и то, и другое связано с проводниками мозга.
Кроме того, хотя люди с СДВГ склонны делать более рискованный выбор в IGT, это не универсальный детерминант. Некоторые люди без СДВГ делают более рискованный выбор, чем другие.
«Этот подход, дифференцируя оба этих параметра, обеспечивает механизм для субклассификации людей с СДВГ способами, которые позволяют проводить целенаправленное лечение», – сказал Макнорган. "Мы можем видеть, где находятся люди в континууме."
Поскольку разные сети мозга задействованы в людях на обоих концах континуума, этот метод открывает двери для разработки методов лечения, ориентированных на конкретные сети мозга, добавил он.