基于智能手机的计算生理技术（CPT）的机器学习在注意力缺陷多动障碍（ADHD）预测中的应用

《Frontiers in Psychiatry》：Machine learning on a smartphone-based CPT for ADHD prediction

注意力缺陷多动障碍智能手机评估与传感器数据结合机器学习模型研究，通过整合人口学、CPT、面部追踪和运动传感器特征，机器学习模型在测试集中表现出较高的敏感度（0.808）和特异性（0.795），PR-AUC达0.799，显著优于传统计算机评估方法。

　　在当今科技迅速发展的背景下，智能手机已经成为人们日常生活中不可或缺的一部分。这些设备不仅具备强大的计算能力，还配备了多种传感器，可以采集丰富的行为数据。近年来，这些传感器数据在心理健康领域的应用逐渐受到重视，尤其是在注意力缺陷多动障碍（ADHD）的评估中。ADHD是一种常见的神经发育障碍，其特征包括注意力不集中、多动和冲动行为，这些症状在儿童和成人中均可能显现。由于ADHD的诊断过程通常依赖主观评估，如行为量表和临床访谈，因此，寻找客观、可量化的评估工具对于提高诊断的准确性和效率至关重要。

本研究旨在探索利用智能手机设备进行持续表现测试（CPT）以评估ADHD的可行性，并评估内置传感器数据在预测ADHD诊断中的作用。CPT作为一种标准化的客观测试，能够系统地评估个体的注意力和冲动控制能力，其结果可以作为ADHD诊断的重要参考。然而，传统的CPT测试通常需要专门的计算机设备，这在实际应用中可能存在一定的局限性。智能手机的普及为这一领域提供了新的可能性，其便携性和实时数据采集能力使其成为一种有前景的评估工具。

为了实现这一目标，研究团队收集了来自不同国家的神经正常人群和ADHD未服药患者的样本数据。样本数量庞大，其中包含952名神经正常个体和292名ADHD患者，这为模型训练和测试提供了充足的数据支持。研究过程中，数据被划分为训练集和测试集，采用80/20的比例进行分割，以确保模型的泛化能力。同时，为了保持数据的代表性，研究者还根据ADHD诊断、年龄组（6–11岁儿童和12–60岁成人）以及性别进行了分层处理，使训练集和测试集在这些维度上保持平衡。

研究采用了一种基于机器学习的模型，具体使用了LightGBM算法，这是一种高效的梯度提升树方法。该算法通过逐步构建决策树来优化模型的预测能力，每一棵树都旨在纠正前一棵树的误差。模型的构建过程分为四个阶段，分别引入了人口统计特征、CPT特征、面部追踪特征和运动传感器特征。通过逐步添加这些特征，研究者评估了每一步对模型预测性能的影响，最终形成了一个综合所有特征的最优模型。

在模型评估方面，研究团队采用了多种指标，包括精确-召回曲线下的面积（PR-AUC）、灵敏度和特异性。PR-AUC特别适用于类别不平衡的数据集，因为它对不同阈值下的模型表现更为敏感。研究结果显示，仅使用人口统计特征的模型表现较差，PR-AUC仅为0.327，说明这些特征在预测ADHD方面的作用有限。然而，当引入CPT特征后，模型的PR-AUC显著提升，达到了0.799，灵敏度为0.808，特异性为0.795。这表明，CPT数据在ADHD诊断中具有重要价值。

面部追踪和运动传感器数据的引入进一步提升了模型的性能。面部追踪技术利用智能手机的摄像头和ARKit平台，实时捕捉参与者的面部位置和运动情况，从而提取出与注意力和多动相关的特征。运动传感器则包括加速度计和陀螺仪，能够记录参与者在测试过程中手持设备的运动模式。这些数据的加入不仅丰富了模型的输入特征，还为ADHD的评估提供了额外的客观依据。研究发现，当将这些传感器数据与CPT特征结合后，模型的PR-AUC进一步提高，显示出更高的诊断准确性。

此外，研究还探讨了不同年龄和性别群体对模型性能的影响。结果显示，模型在成人和儿童群体中均表现出良好的性能，PR-AUC分别为0.731和0.957。尽管儿童群体的特异性较低，但其灵敏度较高，说明模型在识别儿童ADHD病例方面更为准确。然而，这也意味着在儿童群体中可能会有更多的误诊情况。研究者指出，这一现象可能与儿童样本数量较少有关，也可能与模型采用的统一阈值设置有关。未来的研究可以考虑针对不同年龄和性别群体进行阈值调整，以提高模型的整体性能。

研究的结论强调了智能手机在ADHD评估中的潜力。通过结合CPT测试和传感器数据，智能手机能够提供一种非侵入性、便捷且高效的评估方法。与传统的计算机化测试相比，智能手机测试不仅在操作上更为简便，而且能够通过多种传感器采集更多维度的行为数据，从而提升诊断的准确性。然而，研究也指出了一些局限性，包括数据样本的类别不平衡问题、ADHD亚型的缺失以及潜在的诊断偏差。这些因素可能会影响模型的泛化能力和实际应用效果。

尽管如此，本研究的结果仍然具有重要的意义。它不仅验证了智能手机作为ADHD评估工具的可行性，还展示了传感器数据在提升诊断准确率方面的价值。随着技术的不断进步，智能手机的应用将更加广泛，未来有望成为ADHD评估的重要辅助工具。此外，研究还提到，QbMobile作为一种辅助工具，其目的是支持更全面的临床评估，而不是替代传统的诊断方法。因此，在实际应用中，仍需结合多种评估手段，以确保诊断的全面性和准确性。

本研究的成果为未来的研究和临床实践提供了新的方向。首先，可以进一步探索如何优化模型的性能，特别是在处理类别不平衡数据和不同亚型ADHD患者方面。其次，研究可以扩展到其他神经发育障碍或精神疾病，评估智能手机传感器数据在这些领域的应用潜力。最后，开发更加用户友好的智能手机应用程序，使其能够更广泛地应用于临床环境，将是未来研究的重点之一。

总的来说，这项研究通过整合智能手机的传感器数据和CPT测试，为ADHD的客观评估提供了一种新的方法。其结果不仅展示了技术在心理健康领域的应用前景，还强调了多模态数据在提高诊断准确率中的重要性。随着智能手机技术的不断进步，未来的ADHD评估可能会更加依赖这些设备，从而实现更高效、更精准的诊断和干预。