《European Archives of Psychiatry and Clinical Neuroscience》:Virtual reality (bio-)markers differentiate ADHD from depression and controls
编辑推荐:
注意缺陷/多动障碍(ADHD)的异质性及其与其他精神障碍的症状重叠,限制了孤立诊断标记的临床效用。基于虚拟现实(VR)的范式为辅助个体诊断决策提供了潜力。本研究探讨了基于虚拟邮件分类任务(VEST)多模态数据的分类模型的诊断价值。数据合并自两项研究,用于区分未
注意缺陷/多动障碍(ADHD)的异质性及其与其他精神障碍的症状重叠,限制了孤立诊断标记的临床效用。基于虚拟现实(VR)的范式为辅助个体诊断决策提供了潜力。本研究探讨了基于虚拟邮件分类任务(VEST)多模态数据的分类模型的诊断价值。数据合并自两项研究,用于区分未服药ADHD参与者(n = 43)、服药ADHD参与者(n = 23)、重性抑郁障碍(MDD)参与者(n = 16)和对照参与者(n = 21)。在VEST期间,记录任务表现、头部活动记录(head actigraphy)和眼动追踪(eye tracking)的客观测量。通过评估任务相关ADHD症状获得主观数据。使用嵌套交叉验证(nested cross-validation),训练和测试支持向量机(SVM),比较客观、主观及联合参数之间的模型性能。区分ADHD参与者与对照参与者的最高平衡准确率(balanced accuracy)为0.85,由使用自我报告不注意(self-reported inattentiveness)的单特征模型实现。ADHD参与者与MDD参与者通过结合主观和客观测量的13特征模型以0.75平衡准确率被区分。完全来自客观测量的13特征模型对服药与未服药ADHD参与者的区分产生0.64平衡准确率,但未显著高于机遇水平。这些发现强调基于VR的多模态评估和机器学习推进精准诊断的潜力,并突出自我报告测量检测ADHD的效用,同时证明客观测量在区分障碍和捕捉药物效应方面的诊断潜力。
论文解读:注意缺陷/多动障碍(ADHD)是儿童期最常见的精神障碍之一,成人患病率约为2.5%。其核心症状包括不注意、多动和冲动。尽管ADHD被归为神经发育障碍,但基于神经心理测试很难将ADHD个体与无精神障碍或其他精神障碍个体区分开。系统综述中,ADHD及其他神经发育障碍的候选诊断生物标记,没有神经心理特征达到所建议的≥80%敏感度和特异度临床阈值,并有足够独立重复支持。部分情况下,连续操作任务(CPT)等神经心理测试结果与报告的ADHD症状之间无法充分收敛。原因之一是构念驱动测试孤立认知功能,可能过于抽象,难以捕捉ADHD异质性。功能驱动方法尝试整体表现日常任务,虽更难详细检查单一认知功能,但生态效度提高。虚拟现实(VR)可模拟复杂环境,并将神经心理任务自然嵌入。研究人员开发了“虚拟办公室”和虚拟邮件分类任务(VEST),通过VR环境和功能导向任务增加日常相关性和真实性。前期两项研究显示,ADHD组在邮件处理时间变异性、主观症状、视觉离任务注视以及分心期头部活动记录等方面存在组间差异。但个体层面能否检测ADHD、区分服药与未服药ADHD仍开放,且不同评估层次贡献不明。既往多模态机器学习研究显示希望,但跨诊断样本性能下降,药物影响常未系统考虑。因此,本研究旨在检验多模态分类模型在未服药ADHD与对照、MDD及服药ADHD之间区分中的诊断效用,并比较客观与主观特征贡献及客观数据的增量价值。研究意义在于推进基于VR的多模态评估和机器学习精准诊断,突出自我报告检测ADHD的效用,同时展示客观测量区分疾病和捕捉药物效应的潜力。
关键技术方法(不超过250字):样本来自两项在德国波恩大学医院开展的VR研究队列,最终103个数据集;参与者18-50岁,依据DSM-5或ICD-10诊断。使用HTC Vive Pro Eye进入Unity 3D虚拟办公室,通过Leap Motion Controller完成VEST,Tobii眼动记录。客观特征为任务表现、头部活动记录、眼动,主观特征为经验采样症状。采用线性支持向量机(SVM)、重复嵌套交叉验证、最大相关最小冗余(MRMR)特征选择、k近邻插补、最小-最大归一化和置换检验;比较三个二分类任务及客观、主观、联合特征集。
研究结果:
样本人口学:最终样本包括66名ADHD参与者,其中23名当日服药,21名对照,16名MDD。组间性别、利手和教育水平无显著差异;年龄仅未服药ADHD组与对照组有显著差异,其他组间无显著差异。
未服药ADHD参与者与对照参与者的分类:通过VEST多模态数据训练SVM,联合客观和任务相关自我报告症状强度时,最佳模型仅使用1个特征,平衡准确率0.85,敏感度0.86,特异度0.84,p < 0.005;探索性特征稳定性分析显示任务相关自我报告不注意选择频率为1.0。仅用客观测量时,最佳模型含10个特征,平衡准确率0.68,敏感度0.60,特异度0.75,p < 0.005;六特征在所有折和种子中被选,包括两个任务表现、两个活动记录和两个眼动参数。
未服药ADHD参与者与MDD参与者的分类:联合客观和主观症状强度最佳模型用13个特征,平衡准确率0.75,敏感度0.81,特异度0.69,p < 0.005;两个活动记录、两个任务表现、两个经验采样和一个眼动参数稳定性≥0.9。仅客观最佳模型用2个特征,平衡准确率0.62,敏感度0.63,特异度0.62,p = 0.16,未显著高于机遇。
未服药与服药ADHD参与者的分类:联合模型用13个特征,平衡准确率0.63,敏感度0.62,特异度0.65,p = 0.170;仅客观模型用13个特征,平衡准确率0.64,敏感度0.62,特异度0.67,p = 0.210,均未显著高于机遇。稳定性≥0.9的特征包括两个活动记录、两个任务表现、两个经验采样和一个眼动参数(联合)或五个任务表现、一个活动记录和一个眼动参数(客观)。
基于主观、客观及联合参数分类模型的比较:在未服药ADHD vs 对照中,最佳联合模型与最佳主观模型性能相同,最佳客观模型低于主观模型(Δ平衡准确率 = -0.17,CI:-0.22至-0.13;Δ敏感度 = -0.26;Δ特异度 = -0.09)。在未服药ADHD vs MDD中,最佳联合模型高于最佳主观模型(Δ平衡准确率 = 0.06,CI:0.03-0.09;Δ敏感度 = 0.06;Δ特异度 = 0.06),最佳客观模型低于主观模型(Δ平衡准确率 = -0.07)。在未服药 vs 服药ADHD中,最佳联合模型高于主观模型(Δ平衡准确率 = 0.15,CI:0.10-0.20;Δ敏感度 = 0.04;Δ特异度 = 0.25),最佳客观模型高于主观模型(Δ平衡准确率 = 0.16,CI:0.10-0.21;Δ敏感度 = 0.04;Δ特异度 = 0.27)。
讨论部分总结:讨论指出,任务期间自我报告不注意单独即可最强区分ADHD与对照,平衡准确率85%,额外主客观特征未改善,提示在本建模框架和测量中无增量诊断价值。这与强调成人ADHD不注意核心作用的既往工作一致,如Shakeel et al.报告临床访谈评估的不注意和自我报告ADHD严重度为最有信息量指标。本研究通过经验采样在VEST中获取数据,可能更贴近任务相关症状严重度并减少回忆偏倚。另一种解释是参与者对ADHD诊断的先验知识可能影响症状评分;既往研究显示实验性阳性诊断反馈增加随后自我报告ADHD症状,尤其不注意。因此不能排除先验诊断知识影响。与之前虚拟研讨会范式机器学习研究(Wiebe et al.)不同,本研究客观特征未在对照比较中提供增量;可能因当前虚拟办公室较虚拟研讨会更少诱发ADHD典型行为,且评估层次较少。仅客观模型含13特征,平衡准确率68%,虽高于机遇,但低于单特征主观不注意模型,说明客观行为生理测量在本数据集中区分力较低,但仍可能作为补充筛查工具或用于自我意识有限者。区分ADHD与MDD时所有模型准确率低于ADHD与对照比较,可由两种障碍实质神经认知症状重叠解释,跨诊断比较准确率较低也与文献一致(Mikolas et al.)。与对照比较不同,ADHD vs MDD中主观不注意单独非最佳,联合不同域提供额外诊断价值;仅客观两特征模型非显著。主观冲动和不注意以及任务表现、眼动、头部活动记录稳定,而多动不稳定,提示ADHD与MDD的持续注意困难在主观强度和心理生理特征上不同,可能为鉴别诊断研究提供方向。药物状态分类结果不同:最佳为客观模型,平衡准确率0.64,联合和客观模型虽优于主观,但未显著高于机遇。客观行为测量可能区分服药与未服药ADHD,而主观报告可能缺乏检测药物效应的敏感度。信号较弱,限制当前临床适用。更广泛地,VR来源的主观、行为、生理测量贡献因诊断和治疗相关分类任务而异。若复制并改进,候选VR生物标记可能补充现有诊断流程,提供标准化测量,客观参数可解决仅依赖自评问卷和临床访谈的一些局限。主客观结合可能特别适用于症状重叠障碍如ADHD和MDD的鉴别诊断。除诊断外,VR标记可作研究工具,在受控但有生态相关条件下检查行为生理反应,如模拟驾驶和日常活动。局限:样本相对小,特别是服药ADHD和MDD,限制统计功效和模型稳定性;无独立测试集,限制外部验证;反复嵌套交叉验证减少乐观偏倚和折分区变异,但未来需独立测试集;MDD症状严重度平均低至中等,因仅纳入未服药者,限制对更严重MDD推广;药物效应采用组间设计,未来应优先采用受试者内交叉设计重复评估。总体上,只有对照比较中任务相关主观不注意达到诊断生物标记基准(敏感度和特异度≥0.80),其他模型较低,需改进实验范式(如VEST每封邮件固定时间限制)和预测建模流程。
研究结论翻译:综上,本研究使用基于机器学习的分类评估多模态虚拟办公室区分诊断组和药物状态的诊断效用。本质上,研究结果强调客观与主观特征的预测价值因分类任务而异:区分未服药ADHD参与者与对照参与者时,仅基于任务相关不注意主观评分的模型表现最佳,加入客观参数无性能增益。相反,区分未服药ADHD参与者与MDD参与者时,包含主观和客观参数的模型表现最佳。最后,ADHD参与者的药物状态最好由客观参数预测,尽管模型未显著高于机遇。总之,研究人员的发现表明主观症状评分仍是ADHD的有力标记,而多模态行为和生理测量可能对鉴别诊断特别有价值。然而,需要进一步高功效研究并设置独立测试样本,以验证分类模型的稳健性和泛化性,提高诊断准确性,并评估其未来临床应用潜力。