注意缺陷/多动障碍（ADHD）是一种复杂且异质性很高的神经发育障碍，主要表现为注意力不集中、冲动性和多动性。现有的ADHD诊断通常依赖于临床访谈和自我报告评估。然而，这种方法容易受到患者主观偏见的影响，可能导致误诊或漏诊。此外，ADHD的异质性特点增加了诊断的复杂性，目前尚无单一的可靠生物标志物。研究表明，多模态数据（如神经心理测试和体动指标的结合）在提高诊断准确性方面具有潜力。本研究通过虚拟现实（VR）技术构建生态有效的评估环境，结合多种测量指标（如眼动追踪、脑电图、行为和体动），并利用机器学习方法对ADHD和健康对照组（HC）进行分类。

研究在两个独立的临床试验中进行，使用虚拟现实环境（虚拟研讨室，VSR）完成持续表现任务（CPT）。参与者被分为训练样本（ADHD组25人，HC组25人）和测试样本（ADHD组18人，HC组18人）。在VR环境中，参与者完成注意力任务，同时记录头部运动、眼动行为、脑电图（EEG）信号，以及自评的注意力、冲动性和多动性水平。参与者筛选中，ADHD组需符合《精神障碍诊断与统计手册》（DSM-5）的诊断标准，并通过详细的临床访谈确认诊断。排除标准包括严重的精神或神经疾病，例如精神分裂症、癫痫等。实验分为两部分。在第一阶段，参与者接受DSM-5基础访谈和多种心理评估量表的测试；第二阶段中，参与者在VR实验室完成CPT任务。任务分为带干扰和不带干扰两个阶段，干扰包括视觉、听觉和视听刺激。使用眼动追踪设备记录参与者的凝视行为，并采集EEG数据以分析脑电频率特征。从多模态数据中提取76项特征，包括CPT表现、头部运动、眼动指标、EEG信号和自评数据。采用支持向量机（SVM）模型，使用嵌套交叉验证优化特征选择，并在独立测试集中验证模型性能。

图1：本研究中虚拟研讨室的机器学习分析方法学

在训练集上，使用全部76项特征的SVM模型的交叉验证准确率为76%；在测试集中，模型准确率为69%。通过最大相关性最小冗余（MRMR）方法筛选的11项最优特征组成的模型在测试集中达到了81%的准确率（敏感性78%，特异性83%）。最终模型的11个特征来源于自评数据（3项）、眼动指标（4项）、CPT表现（3项）和头部运动（1项），而EEG信号未对分类有显著贡献。最具区分能力的特征包括自评的注意力不集中、冲动性和多动性评分；眼动指标如凝视持续时间的变异系数；CPT表现如反应时间变异系数等。

研究结果表明，基于VR和多模态数据的诊断方法可以有效区分ADHD和健康个体。与传统单一测量指标相比，多模态方法能够更全面地反映ADHD的异质性特征，尤其是在动态和生态化环境下。然而，本研究发现EEG频率信号在分类中未提供额外信息，这可能是因为EEG频带在ADHD中的标志性研究结果尚不一致。研究还强调，自评数据虽然可能存在偏差，但在实时体验采样中能够反映个体动态症状，具有一定的诊断价值。同时，模型的性能在独立测试集中得到了验证，表明其具有良好的泛化性。

图2：基于多模态训练数据的支持向量机模型嵌套交叉验证性能

通过虚拟现实和机器学习技术，本研究展示了一种多模态的ADHD评估方法，能够在高生态效度的环境中提高诊断的准确性。尽管EEG指标在本研究中未提供显著贡献，但其他测量域如眼动行为、自评数据和CPT表现为ADHD诊断提供了重要依据。未来需要进一步扩大样本量，探索更广泛的潜在生物标志物，并验证该方法在临床实际应用中的可行性。

原始出处：

Wiebe A, Selaskowski B, Paskin M, et al. Virtual reality-assisted prediction of adult ADHD based on eye tracking, EEG, actigraphy and behavioral indices: a machine learning analysis of independent training and test samples. Transl Psychiatry. 2024;14:508. https://doi.org/10.1038/s41398-024-03217-y.