前頭前野皮質活動を使用してADHDの子供を予測するための応用機械学習方法：日本での多施設研究

目的：機械学習を使用してADHDの有効で客観的なバイオマーカーを確立する。方法：機械学習を使用して、サポートベクターマシン（SVM）を使用して、新しい脳機能データからの障害の重症度を予測しました。マルチセンターアプローチを使用して、行動および生理学的指標、年齢、およびリバースストループタスク（RST）データを含む機械学習トレーニングのデータを収集して、ADHDと108人の子供（TD）の子供を持つ108人の子供からのデータを収集しました。近赤外分光法（NIRS）を使用して、RST中に前頭前野皮質酸素化ヘモグロビンの変化を定量化しました。検証データは、日本の6つの施設のADHDを持つ62人の子供と37人のTD子供からのものでした。結果：SVMの一般的なパフォーマンス結果は、88.71％の感度、特異性が83.78％、全体の識別率が86.25％であることを示しました。結論：RSTの客観的インデックスを使用するSVMは、ADHDの子供の診断のための補助バイオマーカーとして役立つ場合があります。

Objective: To establish valid, objective biomarkers for ADHD using machine learning. Method: Machine learning was used to predict disorder severity from new brain function data, using a support vector machine (SVM). A multicenter approach was used to collect data for machine learning training, including behavioral and physiological indicators, age, and reverse Stroop task (RST) data from 108 children with ADHD and 108 typically developing (TD) children. Near-infrared spectroscopy (NIRS) was used to quantify change in prefrontal cortex oxygenated hemoglobin during RST. Verification data were from 62 children with ADHD and 37 TD children from six facilities in Japan. Results: The SVM general performance results showed sensitivity of 88.71%, specificity of 83.78%, and an overall discrimination rate of 86.25%. Conclusion: A SVM using an objective index from RST may be useful as an auxiliary biomarker for diagnosis for children with ADHD.