基于机器学习的神经影像特征选择在ADHD诊断中的关键脑区识别与分类优化研究

这篇综述系统阐述了如何运用Boruta、随机森林(Random Forest)、XGBoost和深度神经网络(DNN)等机器学习技术，从5937个脑体素(voxel)数据中筛选关键特征，识别与注意力缺陷多动障碍(ADHD)相关的脑区（如梭状回Fusiform Gyrus、丘脑Thalamus等），并通过ReLU激活函数的神经网络实现91.43%的分类准确率，为ADHD的神经影像诊断提供了数据驱动的新范式。

　　

Abstract

注意力缺陷多动障碍(ADHD)作为一种复杂的神经发育疾病，其异质性脑活动模式给诊断带来挑战。本研究通过整合机器学习与神经影像技术，对5937个脑体素数据进行分析，旨在建立高精度的ADHD分类模型并识别关键生物标志物。

Introduction

ADHD主要表现为注意力不集中、多动和冲动行为，其神经机制涉及基底节区异常和多巴胺能信号紊乱。静息态功能磁共振(rs-fMRI)虽能绘制脑功能连接组，但高维度体素数据(31×37×31矩阵)需借助特征选择降维。研究采用Boruta算法、随机森林结合DALEX可解释性工具，探索ADHD的神经影像特征模式。

Materials and Methods

数据来自10名受试者的1200个时间点体素序列，预处理采用Brainnetome脑图谱模板。方法学框架包含四大场景：

K Core Percolation

通过图论中的k核渗透理论分析网络韧性，定义子图中节点最小连接数k，利用生成函数_G0(x)=∑_k=0^∞p_kx^k计算泊松分布网络的渗透阈值。

Feature Selection

采用过滤法（互信息I(X;Y)=∑_x∈X∑_y∈Yp(x,y)log(p(x,y)/p(x)p(y))）、嵌入法（Lasso正则化argmin_β(‖y-Xβ‖²+λ‖β‖₁)）和封装法，筛选与ADHD相关的体素特征。

Deep Learning for Voxel Classification

构建3D-CNN处理体素网格数据，卷积运算f_l(x,y,z)=∑_i,j,kw_i,j,k·v_x+i,y+j,z+k提取空间特征，配合U-Net的编码器-解码器结构和V-Net的Dice系数损失函数优化分割效果。

Dataset

数据包含180名受试者的4D矩阵(31×37×31×时间点)，ADHD组在ADHD指数(-72.484 vs -34.852)和执行功能相关脑区（如右侧V5/MT+区）呈现显著差异。

Results and Analysis

Scenario 1: Dimension Reduction

PCA识别出右侧梭状回FuG_R_3_1(贡献率20.1%)、丘脑Tha_R_8_2(8.7%)等关键区域；高斯混合模型(GMM)的EM算法确定37个体素为核心聚类(对数似然值14634)。

Scenario 2: XGBoost

梯度提升模型通过SHAP值量化特征重要性，发现右侧颞上回STG_R_6_1(7.3%)与ADHD显著相关。

Scenario 3: Boruta

经过99次迭代筛选出270个重要特征，包括小脑CB_L_Crus I等区域，其Z值显著高于影子特征(p<0.001)。

Scenario 4: DNN

ReLU激活的神经网络表现最优，结合随机森林DALEX解释器时平衡准确率达91.43%，显著优于Sigmoid(89.54%)和Tanh(90.14%)。

Conclusion

研究证实整合机器学习可有效识别ADHD的神经影像标志物，其中右侧梭状回、丘脑等区域的异常活动模式具有重要诊断价值。未来将探索CNN多池化策略以提升分类精度，并进一步验证环境因素与神经发育的交互作用。

Ethics Approval

本研究使用公开二次数据，不涉及新的人体试验。

Author Contributions

研究团队在算法设计、数据分析和论文撰写方面各有分工，所有作者均参与结果解读和稿件修订。