Within-cohort discrimination and cross-cohort transfer of EEG-based ADHD classifiers: An exploratory two-cohort evaluation
Deze verkennende studie onthult dat hoewel op EEG gebaseerde classificatiesystemen een sterke binnen-cohort discriminatie bereiken voor volwassenen met ADHD, ze er niet in slagen te generaliseren naar kinderen en vaak omgekeerde rangschikkingen over cohorten heen produceren, wat wijst op significante beperkingen in de cross-cohort overdraagbaarheid als gevolg van niet-gescheiden verschillen in leeftijd, taak en acquisitie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Het menselijk brein is een complex elektrisch orgaan dat constant signalen afgeeft die met sensoren vanaf de hoofdhuid kunnen worden gemeten. Deze signalen, bekend als elektro-encefalografie of EEG, creëren een unieke elektrische vingerafdruk voor iedere persoon. Decennialang hebben wetenschappers gehoopt deze vingerafdrukken te kunnen gebruiken om specifieke hersentoestanden te identificeren, zoals aandachtstekort met hyperactiviteitsstoornis, oftewel ADHD. Het idee is dat als een computer kan leren de elektrische patronen van een gezond brein versus een brein met ADHD te herkennen, dit artsen uiteindelijk kan helpen bij het sneller en nauwkeuriger stellen van diagnoses. Er bestaat echter een grote hindernis: het brein verandert terwijl we groeien, en de manier waarop we deze signalen registreren, verandert afhankelijk van wat een persoon op dat moment doet. Een patroon dat wordt gevonden bij een kind dat stilzit, kan er heel anders uitzien dan een patroon dat wordt gevonden bij een volwassene, of zelfs van hetzelfde kind dat een andere taak uitvoert. De grote vraag is of een computerprogramma dat getraind is om ADHD te herkennen bij één groep mensen, ook daadwerkelijk kan werken bij een compleet andere groep mensen, of dat het alleen werkt voor de specifieke groep waarop het is getraind.
Een recente studie zette zich af tegen dit exacte probleem door gebruik te maken van twee zeer verschillende groepen mensen. De onderzoekers verzamelden gegevens van 121 kinderen die een visuele taak uitvoerden en 79 volwassenen die simpelweg rustten met hun ogen open. Ze gebruikten een standaard methode voor computerleren om een model te bouwen dat het onderscheid kon maken tussen mensen met ADHD en mensen zonder, maar ze deden dit op een zeer strikte manier. Ze trainden het model op de ene groep en probeerden het vervolgens direct toe te passen op de andere groep, zonder enige wijzigingen of aanpassingen aan te brengen. Dit is vergelijkbaar met het leren aan een student om een specif kind type vogel in een bos te herkennen, om die student vervolgens te vragen diezelfde vogel te identificeren in een compleet ander bos, met andere belichting en andere bomen, zonder een nieuwe gids te geven.
De resultaten waren opmerkelijk en onthulden een diepe kloof tussen wat er gebeurt binnen een enkele groep versus wat er gebeurt wanneer men probeert over te stappen naar een andere groep. Wanneer de onderzoekers de computermodellen testten op de volwassenen waarop ze getraind waren, werkte het systeem uitzonderlijk goed. Het identificeerde de volwassenen met ADHD ongeveer 95% van de tijd correct, een nauwkeurigheidsniveau dat suggereert dat de elektrische patronen in de groep volwassenen zeer onderscheidend en gemakkelijk te leren waren voor de computer. Echter, wanneer datzelfde computermodel, getraind op de volwassenen, werd toegepast op de kinderen, faalde het volledig. Sterker nog, het presteerde slechter dan willekeurige gokken. Het model classificeerde de kinderen met ADHD consequent alsof zij gezond waren, en de gezonde kinderen alsof zij de stoornis hadden. Het omgekeerde was ook waar: een model getraind op de kinderen presteerde slecht wanneer het werd getest op de volwassenen, waarbij de groepen vaak in de tegenovergestelde volgorde werden gerangschikt van wat verwacht werd.
Deze bevinding is niet slechts een simpel falen van de technologie; het benadrukt een fundamenteel verschil in hoe hersensignalen zich gedragen over leeftijden en taken heen. De onderzoekers ontdekten dat de specifieke elektrische kenmerken die de volwassenen gemakkelijk classificeerbaar maakten, compleet verschillend waren van de kenmerken die bij de kinderen zouden kunnen helpen. In de groep volwassenen vertrouwde de computer zwaar op de frequentie van de hersengolven, een maatstaven voor hoe snel de signalen oscilleren. Bij de kinderen boden deze zelfde frequentiemeetwaarden bijna geen nuttige informatie. De studie toonde aan dat zelfs wanneer de onderzoekers exact dezelfde sensoren op dezelfde twee plekken op het hoofd gebruikten en voor exact dezelfde tijdsduur registreerden, de onderliggende data zo verschillend waren dat een model getraind op de ene groep nutteloos werd voor de andere.
De onderzoekers testten ook hoe de hoeveelheid gegevens die voor de training werd gebruikt, de resultaten beïnvloedde. Ze ontdekten dat het de computer meer gegevens geven van de kinderen het probleem niet oploste. Zelfs toen ze het model voedden met elke beschikbare opname van de kinderen, bleef het model getraind op de kinderen verward, hoewel de prestaties licht verbeterden tot het niveau van willekeurig gokken in plaats van onderaan te blijven. Het model getraind op de volwassenen bleef zeer accuraat voor volwassenen, maar bleef nutteloos voor kinderen. Dit suggereert dat het probleem niet simpelweg een gebrek aan data of een behoefte aan meer trainingstijd is. In plaats daarvan verandert de aard van het signaal zelf zo drastisch tussen een kind dat een taak uitvoert en een volwassene die rust, dat een enkele set regels niet voor beiden kan gelden.
De studie concludeert dat het succes van een hersen-computermodel diep verbonden is met de specifieke groep mensen waarvoor het gebouwd is. Een model dat perfect werkt voor de ene populatie, werkt niet automatisch voor een andere, zelfs als het doel dezelfde medische diagnose is. De onderzoekers benadrukken dat dit niet betekent dat de technologie kapot is of dat ADHD niet gedetecteerd kan worden met hersengolven. Het betekent eerder dat de huidige methoden nog niet robuust genoeg zijn om de kloof tussen verschillende leeftijden en verschillende activiteiten te overbruggen. De bevindingen dienen als een noodzakelijke reality check voor het vakgebied, waarbij wordt aangetoond dat een hoge nauwkeurigheid in één setting geen succes garandeert in een andere. Totdat wetenschappers een manier vinden om modellen te bouwen die deze diepe verschillen begrijpen, of tussen verschillende leeftijden of verschillende taken, zullen deze instrumenten beperkt blijven tot de specifieke groepen waarvoor ze zijn ontworpen, in plaats van een universeel diagnostisch hulpmiddel te worden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.