Exploring Functional Connectivity in Attention Deficit/Hyperactivity Disorder: A Functional Near-Infrared Spectroscopy Study With Machine Learning Analysis
Notice bibliographique
Résumé
Functional near-infrared spectroscopy (fNIRS) has shown potential in attention deficit/hyperactivity disorder (ADHD) research, though it is not yet widely used as a primary diagnostic tool. While most previous studies have focused on children and resting-state conditions, research on adult ADHD, particularly under task-state conditions, is increasing but still limited compared to studies on children. Since ADHD is associated with cognitive challenges and alterations in brain activity, investigating functional connectivity during a task can provide a better understanding of its neural characteristics. In this study, we aim to investigate functional connectivity in adult patients with ADHD by comparing them with healthy controls under task-state conditions. We used the fNIRS dataset, which comprised 75 healthy controls and 75 medication-naïve individuals with ADHD. The network characteristics of functional connectivity were compared during a verbal fluency task, specifically focusing on density, global clustering coefficient, efficiency, and average betweenness centrality. By statistical analysis between the two groups, statistical significance was observed in density (p<0.001, t = 5.39, η2 = 0.443). Additionally, various machine learning classifiers were employed to assess the potential of functional connectivity metrics in classifying the two groups. The linear support vector machine achieved accuracy and precision of 0.800, recall of 0.808, and F1-score of 0.799, representing the highest performance among five different classifiers. In conclusion, our findings reveal distinct functional connectivity patterns among the groups, highlighting the potential of fNIRS-derived functional connectivity metrics as biomarkers for ADHD.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».