摘要

注意缺陷多动障碍(ADHD)是一种常见的精神疾病，严重影响学龄儿童的学习和日常生活。ADHD的早期识别非常关键，需要可靠且客观的诊断工具来进行诊断。然而，目前对行为症状的临床评估可能存在不一致和主观性的问题。功能磁共振成像(fMRI)是一种无创技术，已被证明能够有效地检测ADHD患者的大脑异常。近年来，基于静息态fMRI(rsfMRI)的脑功能网络在诊断包括ADHD在内的各种脑疾病方面取得了良好的效果。一些综述文章探讨了使用fMRI数据和机器学习或深度学习方法检测其他疾病的情况。然而，目前还没有专门针对ADHD的综述论文。因此，本研究旨在通过对使用rsfMRI数据和机器学习方法检测ADHD的文献进行综述。本研究提供了有关fMRI数据库的大致信息，并介绍了ADHD-200数据库的相关知识。强调了在分类阶段之前检查过程的所有阶段的重要性，包括网络和图谱选择、特征提取和特征选择，以期为该领域的研究人员提供一个有用的起点。

引言

注意缺陷多动障碍(ADHD)是一种常见的精神疾病，影响约5%~10%的学龄儿童。其特征是冲动、多动和注意力不集等行为，这些行为可持续至成年期，并给个人、家庭和社会带来重大问题。例如，与同龄人相比，患有ADHD的儿童经常在学习和生活方面遇到困难。因此，迫切需要准确、客观的诊断工具来早期识别ADHD。目前，ADHD的诊断主要依靠对行为症状的临床评估，这往往具有主观性和不一致性，这使得开发一种非侵入性和客观的生物标志物至关重要。

功能磁共振成像(fMRI)是一种成熟的非侵入性神经影像学方法，可有效检测ADHD患者的大脑异常。该技术通过测量氧合和脱氧血红蛋白的不同磁性来实现。特别是，静息态fMRI(rsfMRI)是一种常用的成像方法，擅长分析大脑的功能活动。近年来，一些研究报告了使用基于rsfMRI的脑功能网络在诊断大脑疾病面的良好结果，包括ADHD、精神分裂症、自闭症和阿尔茨海默病。

机器学习可以在没有先验知识的情况下识别数据中变量之间的复杂关系。这使得它成为生物医学领域中备受追捧的方法。因此，近年来发表在PubMed上与机器学习相关的出版物数量大幅增加，如图1所示。

图1.按年份统计的机器学习出版物数量。

机器学习可以从大数据中生成预测模型，这是其优势之一。人工神经网络(ANN)是最常用的机器学习模型之一，这种网络的灵感来源于人类大脑中的生物神经网络。感知器是神经网络的基本单元，它将输入数据划分为不同的类别。感知器是深度神经网络(DNN)的重要组成部分，包括多层感知器分类器。其他常用的机器学习方法包括线性回归、逻辑回归、支持向量机(SVM)和朴素贝叶斯分类器，如图2所示。

图2.机器学习方法的分类。

许多综述研究探讨了脑部疾病的检测，包括自闭症、阿尔茨海默病、帕金森病、轻度认知障碍和精神分裂症。然而，除了Valliani等人的一项研究之外，关于使用机器学习技术从rsfMRI数据中检测ADHD的文献还存在一些空白。因此，本文将重点回顾使用rsfMRI数据和机器学习方法检测ADHD的文献，以期为该领域的研究人员提供有用信息。

材料与方法

FMRI数据库

虽然fMRI是一个热门的研究课题，但公开可用的fMRI数据库仍然有限。尽管如此，这些现有数据库提供了足够多的数据集。1000个功能连接组项目(FCP)包含许多子项目，如自闭症脑成像数据交换；ADHD-200；国际神经影像数据共享计划；国际“信度与可重复性联盟”；内森·克莱恩研究所/洛克兰样本；健康脑网络以及生物医学研究卓越中心。该项目公开发布了超1200个rsfMRI数据集，这些数据集是在33个不同研究中心独立收集的。由斯坦福大学Poldrack实验室和可再生神经科学中心管理的OpenfMRI项目已被弃用。然而，旧数据集仍可在重定向的网站上公开获取。自2010年以来，该网站一直在分发MRI和EEG数据。目前，有95个数据集，共计3372个被试。该项目的更新版本可以在另一个网站上公开获取，由斯坦福大学可再生神经科学中心管理，提供正电子发射断层扫描(PET)、脑磁图(MEG)、EEG和颅内EEG等数据集，以及562个MRI和fMRI数据集。这些数据集总共包含21909名参与者。BrainMap是一个已发表的功能和结构神经影像实验数据库，它不仅提供了用于元分析和数据挖掘的数据，还提供了用于定量集成神经影像数据的软件和概念。剑桥老龄化与神经科学中心(CamCAN)是剑桥大学于2010年启动的一个大规模合作研究项目。近3000名参与者完成了家庭访谈，近700名参与者完成了结构磁共振成像(sMRI)、静息态功能磁共振成像(rsfMRI)和任务态fMRI MEG扫描，并完成了多项认知实验。该项目包括652个原始rsfMRI数据和1300个基于任务的原始rsfMRI数据。自然场景数据集(NSD)是明尼苏达大学磁共振研究中心在超高场强下进行的大规模fMRI数据集。该数据集包含了八名健康参与者在30-40个扫描过程中观看数千种彩色自然场景的全脑高分辨率fMRI扫描。此外，还有一些较小的fMRI数据库。

ADHD-200数据库

2011年，ADHD-200全球竞赛挑战团队使用rsfMRI数据申请最有效的ADHD分类。开源数据库已成为机器学习方法发展的主要数据源。自竞赛开始以来，有关ADHD分类的出版物数量显著增加，如图3所示。

图3.每年的出版物数量。

ADHD-200数据库包含973名参与者的数据。这些数据来自八个不同的站点：北京大学(PU)、布拉德利医院/布朗大学(BU)、肯尼迪克里格研究所(KKI)、NeuroIMAGE样本(NI)、纽约大学儿童研究中心(NYU)、俄勒冈健康与科学大学(OHSU)、匹兹堡大学(UP)和华盛顿大学圣路易斯分校(WU)。每个被试均至少进行一次rsfMRI扫描，一次T1加权结构扫描以及一些个人特征数据点。竞赛数据分为训练集和测试集。训练集包含776名被试，测试集包含197名被试。

ADHD检测阶段

使用fMRI数据和机器学习技术检测ADHD的工作流程如图4所示。首先收集数据，然后执行预处理和数据转化。如前所述，ADHD-200数据集包括经过预处理的训练和测试数据。接下来，进行网络、图谱和感兴趣区域(ROI)的选择，以获得检测过程的良好起点。根据具体应用情况的不同，大脑分割步骤也可以省略(选做)。然而，选择与ADHD最相关的脑区对分类性能有积极影响。由于许多研究论文未充分强调ADHD相关生理区域的选择，因此本节总结了网络和图谱选择的必要细节。

图4.方法概述。

为了选择最具判别性的特征，还可以选择性地包括特征选择阶段。使用较少的特征可以降低计算复杂度。然而，分类器的选择对ADHD检测的性能有显著影响。研究论文主要集中在分类阶段，提出了从传统到深度学习方法的各种分类器。表1总结了使用fMRI数据进行ADHD检测的主要研究论文。该表展示了从网络分割到分类的所有阶段，提供了技术现状的一般概述。以下小节将从系统阶段的角度考察所使用的方法。

表1.ADHD检测研究汇总。

网络和图谱选择

Yeo等人使用rsfMRI研究了大脑中大规模分布式网络的结构。他们使用基于表面的对准法将1000名年轻健康成年人的数据进行配准，并进行可靠性分析，以证明解决方案收敛的拓扑边界的稳定性。分析大型数据集的一个强大特征是能够发现稳定的大脑网络并确定具有高度置信度的区域边界，包括可能属于不同网络的连续区域。此外，所有1000个样本都被用于检测代表网络最佳估计的分区。大脑皮层分区如图5所示。

图5.基于rsfMRI数据聚类的大脑分区。

这七个主要网络定义为感觉运动和初级视觉皮层、边缘、背侧注意、腹侧注意、额顶控制和默认网络。这些主要网络也可以被视为是研究ADHD和其他疾病检测的参考网络。默认模式网络(DMN)是七个主要网络之一。它在休息期间比在受外部驱动任务时表现出更高的活动和更强的FC。Sonuga-Barke和Castellanos(2007)认为ADHD可以被视为是一种默认网络障碍，大多数研究都集中在DMN上。因此，本综述从网络选择的角度考察了文献中检测ADHD的研究。

基于一种或多种脑成像技术提供的信息，脑分区将大脑的空间域划分为具有同质性的不同区域。特定的聚类算法被用来生成这些脑分区。使用这些算法是因为所研究的大脑现象通常不是在体素水平上观察到的，而是在由体素组成的大脑区域水平上观察到的。通常使用三种方法来实现这一目的：(a)使用脑图谱，(b)使用解剖或功能ROI，或(c)使用数据驱动的分区。

为了确定在fMRI分析过程中哪些区域被激活并获得激活图，建议结合神经解剖学知识以及多种图谱。在将激活区域叠加到适当的解剖图像上后，可以使用多个神经解剖图谱来定位激活区域，例如：

Talairach图谱

解剖图谱

概率图谱

自动解剖标记图谱(AAL)

最常用的脑图谱是AAL图谱。在偏好使用AAL图谱的研究中，研究人员通常使用90个脑区而不是所有116个区域。Aradhya等人使用AAL-90发现，颞叶和后扣带回皮层(PCC)的功能活动差异非常显著，这意味着ADHD中的注意力缺失和冲动行为。Riaz等人的一项研究(AAL-90)显示，额叶是检测ADHD最具判别性的脑区。Wang等人使用AAL模板进行大脑分割发现，ADHD患者中存在一些异常区域，包括基底节区、岛叶、楔前叶、前扣带回皮层(ACC)、PCC、丘脑和小脑。

除了AAL脑图谱外，还有一些研究会选择特定图谱作为AAL脑分区方法的替代方案。Colby等人的研究中使用了基于Harvard-Oxford(HO)图谱的100个ROIs和基于Craddock 400(CC400)图谱的400个ROIs。Sato等人使用CC400图谱计算了每个ROI内特征图(包括FC、ReHo和fALFF)的平均系数。Kuang和He使用了Brodmann图谱，该图谱将大脑划分为多个区域。他们还对一些ADHD-200数据集的前额叶皮层、视觉皮层和扣带回皮层区域进行了深度信念网络(DBN)测试，并将结果与ADHD-200竞赛结果进行了比较。Dey等人使用了Craddock等人提出的Craddock 200(CC200)图谱模板。Qureshi等人在其研究中使用了AFNI的DKD_Desai_PM图谱，获得了102个大脑ROIs。

此外，在一些研究中，并未使用基于图谱的脑分区方法，而是进行了网络选择。Liang等人基于种子相关分析发现，ADHD与正常被试在ACC、PCC和腹内侧前额叶皮层(vmPFC)方面存在显著差异，以及基于ReHo分析发现，这两组被试在小脑、运动皮层和颞叶方面存在显著差异。ADHD-C是ADHD的一种类型，在中线DMN各成分以及岛叶皮层中存在非典型连接；相比之下，在Fair等人的研究中，另一种类型的ADHD，即ADHD-I，在背外侧前额叶区域和小脑中显示出非典型模式。Li等人研究了通过张量分解确定的静息态脑网络，并探索性地解释了ADHD参与者中的这些网络。他们识别并确定了六种网络，包括DMN、腹侧注意网络(VAN)、执行控制网络(ECN)、额顶网络(FPN)、视觉网络(VN)和感觉运动网络(SMN)，这些网络解释了数据中的大部分变异。他们的研究结果显示，与健康被试相比，ADHD参与者的DMN、FPN、ECN和VAN的活动水平降低，但SMN和VN的活动水平增加。

特征提取

从数据中提取最具判别性的特征对于分类问题至关重要。提取的特征应准确地反映输入数据的特征，并且考虑到相关属性的描述信息。可以使用不同的方法来提取功能磁共振成像(fMRI)数据的特征。由于大多数ADHD研究依赖于功能连接(FC)特征，因此本文首先考察了使用功能连接特征的研究。许多基于深度学习的研究没有使用独立的特征工程。因此，第二组文章包括使用深度学习方法提取特征的研究。表1总结了相关论文中首选的特征提取方法。

FC表示选定大脑感兴趣区域(ROIs)中的电生理活动时间序列与(脱氧)血氧水平之间的统计相关性。在大规模神经系统或大脑FC中组织的这些ROI之间的一致传递被认为在认知和行为中起着关键作用。异常的连接可能预示着大脑疾病，比如ADHD。因此，FC通常被用作ADHD检测的特征。在FC计算方法中，Pearson相关系数是最常用的方法。

特征选择

在传统的分类方法中，可以通过从一组预定义的特征中选择最具判别力的特征来提高分类器的性能。随着数据规模的增加，特征选择的重要性变得更加明显。大脑的功能磁共振图像由数十万个体素组成。此外，fMRI扫描仪的分辨率也在不断提高，导致体素数量的增加。幸运的是，与疾病相关的脑区通常只占所有体素的一小部分。通过关注这些特定的体素，可以避免不必要的特征，从而在疾病检测中实现更高的准确率。除了选择相关区域外，减少特征数量以有效地对实例进行分类也很重要。

分类

通常情况下，分类器被用于通过对从fMRI数据中获取的特征进行分类和提取脑活动模式来检测大脑疾病。这个过程被称为多体素模式分析。通过对fMRI文献的检索可以发现许多研究专注于开发先进的分类器技术。这些研究通常提出一种新的分类方法，并将其性能与先前的文献进行比较。然而，需要注意的是，在某些数据集上达到高精度的方法可能并不适用于所有数据集。这被称为机器学习中的“没有免费的午餐定理”。每种方法在符合其特定假设的数据集上都能获得成功的结果，而在其他数据集上则可能表现不佳。

表2总结了评估分类器性能的研究。在使用多个数据集的情况下，具有最高性能结果的数据集以粗体表示。比较的性能指标包括准确性、敏感性和特异性，这些指标为模型提供了重要的见解。

表2.分类结果汇总。

结论

在基于机器学习的脑部疾病检测中，确定使用哪种成像技术来收集数据非常重要。通过文献研究可以观察到，fMRI技术在这个领域是一个公认的标准，因此也成为本研究的关注点。在生物医学诊断研究中，能够得到准确表达研究人群的数据集是算法成功的关键。高质量的数据选择将确保模型训练得更准确，收敛速度更快。为了给研究人员在数据集选择阶段提供更多的信息，本文介绍了共享fMRI数据集，并介绍了该领域应用最多的ADHD-200数据集。与其他脑部疾病一样，ADHD的检测是一项具有挑战性的任务，包括许多阶段和未知因素。本研究通过总结ADHD检测的重要步骤，旨在介绍一种系统化方法来指导该领域的研究人员。

参考文献：Taspinar G, Ozkurt N. A review of ADHD detection studies with machine learning methods using rsfMRI data. NMR in Biomedicine. 2024;e5138. doi:10.1002/nbm.5138

小伙伴们关注茗创科技，将第一时间收到精彩内容推送哦～