面向ADHD诊断的可解释深度学习框架提升心理学家理解
机器学习
2026-02-04 v1 人工智能
摘要
注意力缺陷多动障碳 (ADHD) 是一种神经发育障碍，诊断具有挑战性，需采用先进的方法进行可靠且透明的识别和分类。其特征是注意力不集中、超活动和冲动行为，比相同发育水平者更严重且更频繁。本文提出一种基于微调的混合深度神经网络 (DNN) 和循环神经网络 (RNN) 的可解释框架，称为 HyExDNN-RNN 模型，用于 ADHD 检测、多分类诊断和决策解释。这一框架不仅检测 ADHD，还为诊断过程提供可解释见解，使心理学家能够更好地理解和信任诊断结果。我们采用皮尔逊相关系数进行最优特征选择，并使用机器学习和深度学习模型进行实验分析和比较。我们采用标准化的特征降维、模型选择和解释技术准确确定诊断率，确保该框架的可解释性。我们的框架在二分类任务中取得优异结果，HyExDNN-RNN 在 F1 分数上达到 99% 和 94.2%；SHAP 和置换特征重要性 (PFI) 等 XAI 方法提供了关于特征重要性和模型决策逻辑的重要见解。通过将 AI 与人类专长结合起来，我们旨在弥合先进计算技术与实际心理学应用之间的鸿沟。这些结果表明了该框架在辅助 ADHD 诊断和解释方面的潜力。
引用
@article{arxiv.2602.02535,
title = {Enhancing Psychologists' Understanding through Explainable Deep Learning Framework for ADHD Diagnosis},
author = {Abdul Rehman and Ilona Heldal and Jerry Chun-Wei Lin},
journal= {arXiv preprint arXiv:2602.02535},
year = {2026}
}