تشخیص بیماری ADHD با استفاده از هوش مصنوعی

اختلال نقص توجه و بیش فعالی (ADHD) یکی از شایع ترین اختلالات عصبی تحولی در کودکان است که تشخیص آن معمولا بر اساس ارزیابی های ذهنی و رفتارشناسی انجام می شود. هدف از این پژوهش، طراحی و پیاده سازی مدلی هوشمند برای تشخیص خودکار ADHD تنها بر اساس ویژگی های شخصی (Personal Characteristics - PC) و بدون نیاز به داده های تصویربرداری مغزی است. در این پژوهش داده های مورد استفاده از مجموعه داده ی عمومی ۲۰۰-ADHD استخراج شد که شامل ویژگی هایی نظیر سن، جنسیت، ترجیح دست، هوش کلامی، هوش عملکردی و ضریب هوشی کل می باشد. پس از پاکسازی و نرمال سازی داده ها الگوریتم های مختلف یادگیری ماشین شامل رگرسیون لجستیک، SVM با کرنل شعاعی (RBF-SVM)، جنگل تصادفی، CatBoost، XGBoost و Gradient Boosting به کار گرفته شدند و نتایج حاصل نشان داد که مدل های GradBoost, Random Forest و XGBoost با دقتی معادل ۹۳ بهترین عملکرد را در طبقه بندی بیماران ADHD از افراد سالم داشتند. مدل CatBoost با دقت ۹۱ و (SVM (RBF با دقت ۷۸ در رتبه های بعدی قرار گرفتند. این نتایج نشان دادند که حتی بدون داده های مغزی، تحلیل ویژگی های شخصی بیماران می تواند در پیش بینی و تشخیص اختلال ADHD بسیار موثر باشد.

کلیدواژه ها:

بیش فعالی ، عدم تمرکز ، ADHD ، یادگیری ماشین ، هوش مصنوعی