ADHDを９９％の精度で特定する機械学習分類方法

バッファロー大学の研究チームは、脳領域間の特定のコミュニケーションを利用した機械学習分類が注意欠陥多動性障害（ADHD）をどの程度の精度で特定できるか調査しました。
結果、何年も前にADHDの小児期の診断を受けた成人を99％の精度で識別しました。

The research relied on a deep architecture using machine-learning classifiers to identify with 99% accuracy those adults who had received a childhood diagnosis of ADHD many years earlier.

参照元：http://www.buffalo.edu/news/releases/2021/01/022.html
– バッファロー大学 University at Buffalo.

※アイオワギャンブルタスク（IGT）

意思決定障害を診断するときに用いられる研究モデル

バッファロー大学の研究者が主導した新しい研究では、脳の接続性として知られるさまざまな脳領域間の特定のコミュニケーションが、注意欠陥多動性障害（ADHD）のバイオマーカーとしてどのように役立つかが特定されました。

この研究は、機械学習分類器を使用した深いアーキテクチャに依存して、何年も前にADHDの小児期の診断を受けた成人を99％の精度で識別しました。

UB芸術科学大学、および研究の筆頭著者で心理学の助教授であるクリス・マクノーガン氏は話します。

「これは、おそらく根本的な障害を覆い隠すさまざまな戦略を採用することによって、個人の行動がより典型的になった場合でも、少なくとも小児期まで、脳の接続性がADHDの安定したバイオマーカーであることを示唆しています。」

ジャーナルFrontiersin Physiologyに掲載された調査結果は、ADHDを検出することにも影響を及ぼします。

これは、一般的であるが診断的に滑りやすい障害であり、特定が困難です。

マクノーガン氏は話します。

「特定の医薬品は特定の経路と反応するため、さまざまな種類のADHDを理解することで、ある薬と他の薬についての判断を下すことができます。」

注意欠陥障害は、学齢期の子供たちの間で最も一般的に診断される精神障害ですが、特定するのは困難です。

さらに、複数のサブタイプがADHDの臨床的定義を複雑にします。

患者のADHDの臨床診断は、同じ患者が次の評価のために戻ったときに変わる可能性があります。

マクノーガン氏は話します。

「患者は、ある日ADHDと一致する行動症状を示している可能性がありますが、数日後でも、それらの症状を示さないか、同程度ではない可能性があります。それは良い日と悪い日の違いかもしれません。しかし、ADHDの脳の接続性の特徴はより安定しているようです。診断用フリップフロップは見られません。」

心理学部のUB学部研究ボランティアCaryJudson氏とコンピュータサイエンス工学部のDakotaHandzlik氏の学際的研究チーム、およびシンシナティ大学の心理学の准教授であるJohn G. Holden氏は、子供のADHDと診断された80人の成人参加者からのアーカイブfMRIデータを使用しました。

機械学習分類子は、自動応答を禁止する被験者の能力をテストするように設計されたタスク中に、アクティビティの4つのスナップショットに適用されます。

個々の実行の焦点を絞った分析は91％パーセントの診断精度を達成しましたが、集合的な分析は99％に近づきました。

マクノーガン氏は話します。

「これは、私がどこでも報告した中ではるかに高い正解率です。これまでにないリーグであり、行動評価で達成されたものをはるかに超えています。多くの要因が、優れた分類パフォーマンスに貢献した可能性があります。」

脳の接続性とADHDの関係を示唆する以前の研究では、直接線形分類が使用されていました。

この調査では、コーヒーやパフォーマンスなど、何かと何かが予測しているものとの関係を調べます。

多くの範囲で、直接線形分類が効果的ですが、行動症状やADHDなど、コーヒーとパフォーマンスの関係は線形ではありません。

一杯か二杯のコーヒーはパフォーマンスを向上させるかもしれませんが、ある時点で、カフェインはパフォーマンスを損なうかもしれません。

マクノーガン氏によれば、「良いことは少なすぎるか多すぎる」可能性がある場合、非線形の関係が存在します。

深層学習ネットワークは、非線形の条件付き関係を検出するのに適しています。

現在の研究の場合、ADHDは、脳領域のグループ、たとえばA、B、C間のコミュニケーションのパターンから予測されました。

領域AとBが高度に接続されている場合、ADHDを予測できますが、これらの場合は予測できません。

領域も領域Cと高度に関連していました。

これらの種類の関係は、最も一般的に使用される手法では問題がありますが、深層学習分類器では問題がありません。

マクノーガン氏のモデルは、アイオワギャンブルタスク（IGT）で典型的または非典型的なパフォーマンスを持つADHDの個人を区別することによってさらに進んでいます。

IGTは、カジノカードゲームに似た行動パラダイムであり、高リスクと低リスクの両方のオプションを提示し、ADHDの研究と診断に一般的に使用されます。

従来の手法では、一度に複数の分類を行うことはできません。

マクノーガン氏のアプローチは、ADHD診断をIGTのパフォーマンスにエレガントに結び付け、両方が脳の配線に関連している理由を説明する潜在的なブリッジを提供します。

また、ADHDの人はIGTでより危険な選択をする傾向がありますが、それは普遍的な決定要因ではありません。

ADHDを持たない人の中には、他の人よりも危険な選択をする人もいます。

マクノーガン氏は話します。

「これらの両方の側面を区別することによるこのアプローチは、対象を絞った治療を可能にする方法でADHDを持つ人々を細分類するためのメカニズムを提供します。私たちは人々が連続体のどこにいるかを見ることができます。」

異なる脳ネットワークが連続体の両端の人々に関係しているので、この方法は特定の脳ネットワークに焦点を合わせた治療法を開発するための扉を開くと彼は付け加えました。