研究人员分析了近 8,000 名儿童的 MRI 检查数据，发现了注意力缺陷/多动障碍 (ADHD) 的生物标志物，以及神经影像机器学习在帮助该疾病的诊断、治疗计划和监测方面可能发挥的作用。新研究的结果将于下周在北美放射学会 (RSNA) 年会上公布。
根据疾病控制和预防中心的数据，多动症是儿童时期最常见的神经发育障碍之一，影响了大约 600 万 3 至 17 岁的美国儿童。
患有这种疾病的儿童可能难以集中注意力和控制冲动行为，或者他们可能过于活跃。诊断依赖于孩子的看护者完成的清单来评估 ADHD 症状的存在。
“需要一种更客观的方法来进行更有效、更可靠的诊断，”该研究的合著者、康涅狄格州纽黑文市耶鲁大学医学院的研究生研究员黄林说。“由于评估是主观的，ADHD 症状经常未被诊断或误诊。”
研究人员使用了来自青少年大脑认知发育 (ABCD) 研究的 MRI 数据，该研究是美国最大的大脑发育和儿童健康长期研究。ABCD 研究涉及来自全国 21 个中心的 11,878 名 9-10 岁儿童，以代表美国的社会人口多样性
“我们小组的人口统计数据反映了美国人口，使我们的结果在临床上适用于普通人群，”林说。
排除后，Lin 的研究组包括 7,805 名患者，其中 1,798 名被诊断患有 ADHD，所有患者均接受了结构 MRI 扫描、弥散张量成像和静息状态功能 MRI。研究人员对成像数据进行了统计分析，以确定 ADHD 与神经成像指标的关联，包括脑容量、表面积、白质完整性和功能连接性。
“我们发现我们调查的几乎所有大脑区域都发生了变化，”林说。“整个大脑的普遍性令人惊讶，因为许多先前的研究已经确定了大脑特定区域的变化。”
在患有注意力缺陷多动症的患者中，研究人员观察到涉及记忆处理和听觉处理的大脑网络连接异常，大脑皮层变薄，以及显着的白质微观结构变化，尤其是大脑额叶。
“额叶是大脑中控制冲动和注意力或缺乏注意力的区域——多动症的两个主要症状，”林说。
Lin 说 MRI 数据足够重要，可以用作机器学习模型的输入来预测 ADHD 诊断。机器学习是一种人工智能，可以分析大量 MRI 数据。