Klassifizierung von ADHS mittels extremer Lernmaschinen unter Verwendung struktureller MRT-Daten des Gehirns

Zusammenfassung

HINTERGRUND: Die effektive und präzise Diagnose von Aufmerksamkeitsdefizit-/Hyperaktivitätsstörung (ADHS) ist von großem Interesse. ADHS wurde mit verschiedenen kortikalen Merkmalen in strukturellen MRT-Daten in Verbindung gebracht. Die meisten bestehenden Lernalgorithmen zur ADHS-Identifizierung weisen jedoch deutliche Mängel auf, wie z. B. zeitaufwändiges Training und die schwierige Parameterwahl. Ziel dieser Studie war es, (1) ein ADHS-Klassifikationsmodell mithilfe des Extreme Learning Machine (ELM)-Algorithmus für eine automatische, effiziente und objektive klinische ADHS-Diagnose vorzuschlagen und (2) die Recheneffizienz und den Einfluss der Stichprobengröße auf die ELM- und Support Vector Machine (SVM)-Methoden zu bewerten sowie zu analysieren, welche Hirnsegmente bei ADHS betroffen sind. METHODEN: Hochauflösende dreidimensionale MRT-Bilder wurden von 55 ADHS-Patienten und 55 gesunden Kontrollpersonen aufgenommen. Verschiedene Hirnparameter (z. B. kortikale Dicke) wurden mithilfe eines vollautomatischen Verfahrens im FreeSurfer-Softwarepaket berechnet. Insgesamt wurden 340 kortikale Merkmale aus 68 Hirnsegmenten mit 5 grundlegenden kortikalen Merkmalen automatisch extrahiert. Zur Auswahl optimaler Merkmale für die ADHS-Klassifizierung wurden F-Score- und SFS-Methoden eingesetzt. Die Klassifizierungsgenauigkeit von ELM und SVM wurde mittels Leave-One-Out-Kreuzvalidierung evaluiert. ERGEBNISSE: Mit ELM und elf kombinierten Merkmalen erzielten wir ADHS-Vorhersagegenauigkeiten von 90,18 %, mit SVM-Linear 84,73 % und mit SVM-RBF 86,55 %. Unsere Ergebnisse zeigen, dass ELM im Vergleich zu SVM eine höhere Recheneffizienz und Robustheit gegenüber Änderungen der Stichprobengröße bei der ADHS-Klassifizierung aufweist. Die deutlichsten Unterschiede zwischen ADHS-Patienten und gesunden Probanden wurden im Frontallappen, Temporallappen, Okzipitallappen und der Inselrinde beobachtet. SCHLUSSFOLGERUNG: Unser ELM-basierter Algorithmus zur ADHS-Diagnose ist dem traditionellen SVM-Algorithmus deutlich überlegen. Dies legt nahe, dass ELM für die klinische Diagnose von ADHS und die Erforschung verschiedener Hirnerkrankungen eingesetzt werden kann.