基于fNIRS与机器学习的ADHD儿童执行功能皮层血流动力学 biomarker 识别研究

本研究针对注意力缺陷多动障碍(ADHD)缺乏客观诊断标志物的临床难题，采用功能性近红外光谱(fNIRS)技术捕捉儿童执行Go/NoGo任务时的皮层血流动力学特征，结合随机森林等机器学习算法，成功构建了AUC达0.91的高效诊断模型，揭示了右侧额下回(IFG)异常激活与额顶叶功能连接(FC)改变的核心作用，为ADHD的客观筛查提供了创新性神经影像学解决方案。

　　

在儿童精神健康领域，注意力缺陷多动障碍(ADHD)犹如一个难以破解的密码。这种以注意力不集中、多动冲动为核心症状的神经发育障碍，全球约7.2%的儿童深受其扰。尽管DSM-5诊断标准已广泛应用，但依赖主观量表评估的现状，让诊断结果常陷入"盲人摸象"的困境——不同评估者对同一患儿可能给出迥异的结论，而稀缺的儿童精神科专家资源更使准确诊断雪上加霜。

问题的核心在于缺乏客观可靠的生物标志物。既往研究虽发现ADHD患儿存在脑功能异常，但fMRI的高成本、EEG的严格配合要求，都阻碍了这些技术在临床的普及应用。功能性近红外光谱(fNIRS)技术的出现带来了转机，这种能实时监测皮层血流动力学变化的新型光学成像技术，兼具高时空分辨率和儿童友好特性，成为破解ADHD诊断困局的希望之光。

宁波大学附属康宁医院的研究团队开展了一项开创性研究。他们招募了101名ADHD患儿和84名健康对照(HC)，通过精心设计的Go/NoGo任务——这个测量反应抑制能力的经典范式，配合52通道fNIRS系统捕捉大脑活动信号。研究团队创新性地融合了机器学习算法，从三个维度提取特征：任务态下氧合血红蛋白(oxy-Hb)浓度变化、广义线性模型(GLM)分析的激活模式、以及脑区功能连接(FC)强度。

技术方法上，研究采用组间对照设计，通过CWISC量表确保被试智商≥80。fNIRS数据经预处理后，提取ROI（包括额下回IFG、中央前回等）的oxy-Hb峰值差异值，计算额顶叶网络FC强度，最终采用支持向量机(SVM)、随机森林等四种机器学习模型进行特征筛选和分类验证。

【结果】

1. 行为学差异：ADHD组在SNAP-IV量表各维度得分显著更高，BRIEF量表显示其执行功能明显受损，NoGo任务错误率更高。

2. 神经激活异常：右侧额下回(IFG)和左侧中央前回的激活强度显著低于HC组(p<0.05)，这与执行功能缺陷的神经机制高度吻合。

3. 功能连接改变：右侧额上回(SFG)与左侧SFG间的FC强度差异最大，提示额叶内部信息整合障碍可能是ADHD的核心特征。

4. 模型效能：随机森林表现最优(AUC=0.91)，其中NoGo错误率和SFG间FC贡献度最高，证实fNIRS特征具有高鉴别力。

【讨论与结论】
这项发表在《Progress in Neuro-Psychopharmacology and Biological Psychiatry》的研究，首次系统证实了fNIRS技术结合机器学习在ADHD个体化诊断中的巨大潜力。研究发现的前额叶低激活和额顶叶连接异常模式，不仅为ADHD执行功能障碍提供了神经机制解释，更转化出具有临床实用性的客观指标。

特别值得注意的是，研究突破了传统组水平分析的局限，通过机器学习实现了个体化预测，准确率高达89.2%。这种"数字表型"策略为精神疾病的精准诊疗开辟了新路径。尽管存在未分亚型分析等局限，但研究建立的fNIRS检测方案，以其低成本、易操作的优势，有望成为基层医疗机构筛查ADHD的"听诊器"，对缓解我国儿童精神科资源短缺现状具有重要现实意义。

未来，基于该研究开发的客观评估工具，或可推动ADHD诊断从"症状描述"迈向"生物标志物检测"的新纪元，并为靶向额顶叶网络的非药物干预提供疗效评估的客观依据。正如研究者所言，这项跨学科探索不仅为ADHD诊疗带来曙光，更为其他神经发育障碍的研究提供了可借鉴的方法学范式。