基于AI公平性360工具箱的注意力缺陷多动障碍性别去偏分类器研究

本研究针对注意力缺陷多动障碍(ADHD)诊断中存在的性别差异问题，通过AI Fairness 360工具箱的多种去偏算法，开发了基于XGBoost和SVM的公平分类模型。研究结合临床量表(CBCL)、功能磁共振(fMRI)小波方差和结构磁共振(sMRI)影像组学特征，在400例儿童青少年样本中验证显示，重加权XGBoost模型在保持88.3%(fMRI)和85.4%(sMRI)准确率的同时显著降低性别偏差指标(MD/DI)，为ADHD的公平诊断提供了新范式。

　　

注意力缺陷多动障碍(ADHD)作为最常见的神经发育疾病，长期存在显著的性别诊断差异：男性诊断率是女性的3倍，且女性往往在青春期才被确诊。这种差异源于诊断标准对性别特异性症状（如女性更多表现为注意力不集中而非多动）的忽视，以及社会对"安静型"症状的认知偏差。更严峻的是，现有AI辅助诊断模型大多基于男性主导样本开发，可能进一步放大诊断不平等。

为破解这一难题，德国研究团队在《BMC Medical Informatics and Decision Making》发表创新研究。研究人员采用AI Fairness 360工具箱的5种去偏算法（包括重加权、差异影响消除器等），结合400例6-20岁受试者（含98女性）的多模态数据，构建了两种分类模型：第一种整合人口统计学特征、儿童行为量表(CBCL)和fMRI小波方差(wVar)系数，第二种则组合sMRI影像组学特征。通过SHAP和LIME可解释性分析，系统评估了去偏前后模型的性能变化。

关键技术包括：1) 从fMRI时间序列提取19个脑区3个频段(s3-s5)的57维wVar特征；2) 使用pyradiomics工具箱提取sMRI的920维特征（含17个一阶特征和67个纹理特征）；3) 采用SMOTE处理类别不平衡；4) 通过网格搜索优化XGBoost和SVM超参数；5) 计算平均差异(MD)和差异影响(DI)量化偏差。

重加权XGBoost展现最佳性能

在fMRI数据集上，重加权处理的XGBoost模型平衡准确率达88.3%，同时将MD从0.15降至-0.17，DI从1.30改善至0.94。sMRI数据集同样显示85.4%的准确率与优化后的偏差指标。SHAP分析揭示性别特征重要性从第3位降至20位开外，证实了去偏有效性。

性别特异性特征模式

LIME局部解释发现：女性患者诊断更依赖年龄和社会问题(CBCL_SP)等内化症状，而男性则与行为障碍(CBCL_RBB)及前额叶神经活动相关。这与临床观察的女性ADHD多伴随自闭症共病、男性多伴行为障碍的特征吻合。

算法机制差异显著

研究对比发现：1) XGBoost通过决策树规则直接处理二分类变量，而SVM依赖核函数变换，导致前者去偏效果更优；2) 校准均衡几率后处理能严格平衡真假阳性率，但重加权因直接调整样本权重，在保持准确率方面更具优势；3) 对抗去偏等复杂算法因ADHD异质性反而表现欠佳。

这项研究首次系统验证了去偏算法在神经发育障碍诊断中的适用性，其构建的公平分类器为缩小ADHD性别诊断差距提供了可推广的方案。特别值得注意的是，模型通过可解释AI技术揭示了符合临床认知的性别差异特征，这为未来开发性别敏感的诊断标准提供了重要依据。研究者建议在ADHD-200等更大规模数据集中进一步验证，并前瞻性评估其临床转化价值。