基于贝叶斯优化特征选择的fNIRS技术对成人ADHD的高精度分类研究

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：fNIRS Classification of Adults With ADHD Enhanced by Feature Selection

　　本研究针对成人注意缺陷多动障碍(ADHD)诊断缺乏客观生物标志物的临床难题，开发了一种结合功能近红外光谱(fNIRS)和机器学习的新型诊断方法。研究人员通过言语流畅性任务(VFT)采集脑血流动力学数据，创新性地提出贝叶斯调谐岭回归递归特征消除(BTR-RFECV)算法进行特征优选，最终在195名参与者中实现了89.74%的分类准确率，为ADHD的客观诊断提供了重要技术支撑。

　　

在精神健康诊疗领域，成人注意缺陷多动障碍(ADHD)的诊断始终面临着巨大挑战。与儿童ADHD相比，成人患者的诊断更为复杂，目前主要依赖主观性较强的临床访谈和自评量表，缺乏可靠的客观生物标志物。这种诊断方式的局限性导致成人ADHD的漏诊率高达80%以上，且常与焦虑、抑郁等共病精神障碍难以区分。更棘手的是，现有的神经影像技术如功能磁共振成像(fMRI)虽然空间分辨率高，但成本昂贵、操作复杂，而脑电图(EEG)虽便携却空间分辨率有限，均难以在临床推广。

正是在这样的背景下，一项发表于《IEEE Transactions on Neural Systems and Rehabilitation Engineering》的研究带来了突破性进展。该研究团队创新性地将功能近红外光谱(fNIRS)与机器学习技术相结合，开发了一种高效、客观的成人ADHD诊断新方法。fNIRS技术具有独特的优势：它能无创检测大脑皮层血氧变化，平衡了时空分辨率与实用性，且对运动伪影的耐受性较强，非常适合用于ADHD这类患者群体的研究。

研究人员开展了一项精心设计的实验，招募了195名21-57岁的参与者，包括75名健康对照(HC)和120名ADHD患者（含45名服药患者）。所有参与者均完成了标准的言语流畅性任务(VFT)，在此期间通过52通道fNIRS系统监测其前额叶和颞叶皮层的大脑活动。VFT作为一种经典的神经心理学测验，能够有效评估执行功能(EF)和语言能力，而这些正是ADHD患者常见的认知缺损领域。

研究团队采用了一套完整的技术路线：首先对fNIRS信号进行预处理，包括运动伪影校正、信号标准化等；然后从时域和相关性两个维度提取了丰富的特征，包括8种统计特征(最小值、最大值、均值、总和、标准差、方差、峰度、偏度)和皮尔逊相关系数特征；接着创新性地提出了BTR-RFECV特征选择方法，将岭回归(L2正则化)与递归特征消除交叉验证(RFECV)相结合，并引入贝叶斯优化进行超参数调优；最后采用支持向量机(SVM)、逻辑回归(LR)和随机森林(RF)三种分类器进行模型训练和评估，所有实验均采用分层5折交叉验证以确保结果可靠性。

特征选择结果表明，联合前额叶-颞叶区域的氧合血红蛋白(HbO)特征最具鉴别力。经过BTR-RFECV优化后，特征数量从2980个减少到503个，不仅降低了计算复杂度，还显著提升了分类性能。最终，基于径向基函数(RBF)核的SVM模型表现最佳，准确率达到89.74%，精确度89.89%，召回率89.74%，F1分数89.66%，马修斯相关系数(MCC)78.36%，几何判别率(GDR)88.45%。

研究结果深入揭示了ADHD的神经机制。SHAP特征重要性分析发现，左侧腹外侧前额叶皮层(IVLPFC)和内侧前额叶皮层(mPFC)区域的功能连接特征对分类贡献最大，特别是通道37(CH37，对应mPFC)与通道40(CH40，对应IVLPFC)之间的相关性特征。这一发现与ADHD的执行功能缺损理论高度吻合，因为IVLPFC在语言产生和认知控制中起着关键作用。

血红蛋白氧合动态分析显示，健康对照组在执行VFT时表现出更强的HbO信号激活，而ADHD患者则呈现出典型的"前额叶功能低下"模式。这种神经活动差异在联合脑区特征中表现得尤为明显，为理解ADHD的病理生理机制提供了新的视角。

模型性能比较结果表明，贝叶斯优化在特征选择和模型评估两个阶段都发挥了重要作用。与传统的网格搜索相比，贝叶斯优化不仅提高了分类准确率（从83.59%提升至89.74%），还大大减少了计算资源消耗。特别是在处理高维特征空间时，BTR-RFECV方法有效解决了多重共线性问题，确保了特征选择的稳定性和可重复性。

分类结果通过混淆矩阵得到了直观展示，模型在ADHD和健康对照两个类别上都表现出均衡且优异的识别能力，证明了该方法在真实临床场景中的适用性。

特征重要性分析进一步揭示了关键神经标记物。SHAP分析不仅识别出了最具鉴别力的特征组合，还明确了这些特征对分类决策的具体贡献方向，为后续生物标志物的发现提供了重要线索。

这项研究的创新价值主要体现在三个方面：方法学上，首次将贝叶斯优化与混合特征选择策略相结合，有效解决了高维fNIRS数据处理的难题；临床上，建立了首个基于fNIRS的成人ADHD客观诊断模型，准确率接近90%；科学发现上，明确了前额叶-颞叶网络功能连接异常是成人ADHD的重要神经特征。

当然，研究也存在一些局限性。样本量相对有限，未能充分覆盖ADHD的不同亚型；特征工程虽然全面但复杂度较高，可能影响临床推广的便捷性；跨中心验证尚未开展，模型泛化能力有待进一步验证。

未来研究方向包括扩大样本规模以验证模型的普适性，探索ADHD亚型的特异性神经标记物，以及开发多模态融合诊断系统（如结合EEG或眼动追踪）。更重要的是，这项技术有望发展成为临床决策支持工具，为精神科医生提供客观的诊断依据，最终实现ADHD的早期识别和个性化治疗。

该研究的成功实施标志着神经影像技术在精神疾病诊断中的应用迈出了重要一步。通过将先进的机器学习算法与实用的神经监测技术相结合，不仅为ADHD的诊断提供了新范式，也为其他神经精神疾病的生物标志物研究开辟了新途径。随着技术的不断完善和临床验证的深入，这种客观、量化、可重复的诊断方法有望彻底改变传统精神疾病诊断的主观性困境，推动精准精神病学时代的到来。