基于可解释机器学习的ADHD神经反馈治疗反应预测新方法

《Scientific Reports》：An explainable machine learning-based approach to predicting treatment response for neurofeedback in ADHD

　　本研究针对ADHD神经反馈治疗反应个体差异大的临床难题，开发了一种新型可解释机器学习框架。研究人员通过层次特征选择策略，从78个特征中筛选出7个最优特征（包括NEO-FFI问卷条目和受教育程度），利用随机森林模型实现了88.3%的预测准确率，并结合SHAP值分析提供了透明的临床决策依据，为ADHD个性化非药物治疗提供了新途径。

　　

注意缺陷多动障碍（ADHD）是一种常见的神经发育障碍，全球儿童患病率约为5-7%，其症状表现为注意力不集中、多动、冲动和情绪失调，严重影响患者的社交、学业和职业功能。更令人担忧的是，约65%的儿童病例会持续到成年期，未经治疗的ADHD会增加社交技能差、自卑、学业失败和行为障碍的风险。虽然药物治疗（如精神兴奋剂和去甲肾上腺素能药物）是常用方法，但神经反馈等神经调节方法作为非药物替代方案显示出良好的长期效果。

然而，神经反馈对ADHD的疗效一直存在争议，已发表的meta分析显示其效果从微小到中等不等。ADHD的神经生物学异质性意味着并非所有患者都会对干预产生反应，这凸显了个性化医疗的重要性。传统机器学习模型虽然能够提供准确的预测，但其"黑箱"特性限制了临床解释性，难以揭示潜在机制或治疗反应的原因。

为此，来自Shahid Beheshti医科大学的研究团队在《Scientific Reports》上发表了一项创新研究，提出了一个可解释人工智能（XAI）框架，利用机器学习预测ADHD患者对神经反馈治疗的反应。该研究旨在解决ADHD神经生物学异质性和神经反馈疗效不一致的问题，通过提供透明且具有临床可操作性的见解，推动个性化非药物干预的发展。

研究人员采用了两阶段层次特征选择策略，首先从TDBRAIN数据库中72名ADHD患者（年龄6-68岁，平均24岁）的78个特征（包括人口统计学、行为学和人格问卷数据）中，通过统计分析和AUC曲线筛选出20个区分度较高的特征（AUC>0.6）。随后应用四种特征选择方法（互信息、ReliefF、最小冗余最大相关性和顺序前向选择）进一步优化特征集。使用五种分类器（随机森林、支持向量机、逻辑回归、人工神经网络和自适应增强）预测治疗反应，并通过SHAP值（使用TreeExplainer）提供模型解释性。

研究结果显示，顺序前向选择（SFS）方法筛选出的7个最优特征（包括NEO-FFI问卷条目和受教育程度）与随机森林（RF）模型结合，达到了最佳预测性能，准确率为88.3%±6.8%，灵敏度为87.6%±10.9%，特异性为89.6%±7.1%。这一性能显著优于使用全部20个特征时的结果（85.1%±7.7%），证明了特征选择在提高预测性能方面的重要价值。

特征筛选结果

通过统计评估发现，20个特征具有显著的判别能力，其中NEO-FFI_q6（AUC=0.71，p=0.001）、NEO-FFI_q55（AUC=0.69，p=0.001）和NEO-FFI_q60（AUC=0.68，p=0.003）表现出最强的判别能力。这些特征主要来自NEO-FFI人格问卷，同时包括年龄、受教育程度和睡眠时间等人口统计学和行为学指标。

0.6）在神经反馈治疗应答者与非应答者中的分布'>

模型性能比较

五种机器学习模型中，随机森林（RF）表现出最优异的综合性能。使用全部20个特征时，RF模型的准确率达到85.1%±7.7%，AUC为0.92±0.08。经过SFS特征选择后，仅使用7个最优特征的RF模型准确率进一步提升至88.3%±6.8%，证明了层次特征选择策略的有效性。

0.6）的ROC曲线'>

特征选择优化

顺序前向选择（SFS）过程显示，当特征数量增加至7个时，模型准确率达到峰值（88.3%±6.8%），继续增加特征数量反而导致性能下降，表明SFS能有效识别最具信息量的特征子集。

模型可解释性分析

SHAP分析揭示了影响预测的关键特征。全局特征重要性排名显示，NEO-FFI_q11、NEO-FFI_q6、NEO-FFI_q60、NEO-FFI_q15、NEO-FFI_q26等特征对模型预测贡献最大。值得注意的是，SFS筛选出的7个特征中有5个出现在SHAP分析的前10个最重要特征中，体现了模型的内一致性。

SHAP摘要图进一步展示了特征值对预测方向的影响：高值的NEO-FFI_q6、受教育程度等特征增加了阳性反应的概率，而高值的NEO-FFI_q60等特征则增加了非应答者的概率。个体力图为临床决策提供了具体指导，例如，对某个应答者的分析显示，高值的NEO-FFI_q6、NEO-FFI_q11和NEO-FFI_q26是预测其阳性治疗反应的关键因素。

本研究的主要意义在于开发了一个准确且可解释的机器学习框架，用于预测ADHD患者对神经反馈治疗的反应。与以往主要关注药物治疗预测的研究相比，该研究专门针对非药物干预手段，具有重要的临床创新价值。随机森林模型结合顺序前向选择特征策略达到了88.3%的预测准确率，优于以往类似研究（如甲基酚酯预测准确率84.6%，阿托莫西汀灵敏度81%）。

更重要的是，通过SHAP提供的模型解释性超越了传统黑箱机器学习方法，为临床医生提供了透明的决策依据。特征重要性分析表明，特定人格特质（通过NEO-FFI评估）与神经反馈治疗效果密切相关，这为理解心理因素在治疗反应中的作用提供了新视角。此外，受教育程度、年龄和睡眠等因素的预测价值也强调了多维度评估在ADHD个性化治疗中的重要性。

然而，该研究也存在一定局限性。样本量相对较小（72名患者）可能影响模型的泛化能力，未来需要在更大样本中进行验证。研究虽使用了TDBRAIN数据库中的EEG数据，但本次分析仅基于问卷和行为学数据，未纳入神经生理学标志物。此外，神经反馈方案的异质性（SMR、TBR、SCP协议）可能 confounding 治疗反应预测。

综上所述，这项研究为ADHD个性化治疗提供了有前景的新途径，将可解释机器学习与临床决策支持相结合，有望改善神经反馈治疗的精准应用。未来的研究方向应包括扩大样本规模、整合神经生理学标志物（如个体α峰值频率），以及开发实时临床决策支持工具，进一步推动个性化医疗在精神健康领域的应用。