論文の概要: Enhancing Psychologists' Understanding through Explainable Deep Learning Framework for ADHD Diagnosis

• arxiv url: http://arxiv.org/abs/2602.02535v1
• Date: Wed, 28 Jan 2026 09:19:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:14.911119
• Title: Enhancing Psychologists' Understanding through Explainable Deep Learning Framework for ADHD Diagnosis
• Title（参考訳）: ADHD診断のための説明可能なディープラーニングフレームワークによる心理学者の理解向上
• Authors: Abdul Rehman, Ilona Heldal, Jerry Chun-Wei Lin,
• Abstract要約: ADHDは神経発達障害であり、診断が困難であり、信頼性が高く透明な識別と分類のための高度なアプローチが必要である。 本稿では、ADHD検出、マルチクラス分類、決定解釈のために、微調整型ハイブリッドディープニューラルネットワーク(DNN)とリカレントニューラルネットワーク(RNN)に基づく説明可能なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 19.50016953929723
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Attention Deficit Hyperactivity Disorder (ADHD) is a neurodevelopmental disorder that is challenging to diagnose and requires advanced approaches for reliable and transparent identification and classification. It is characterized by a pattern of inattention, hyperactivity and impulsivity that is more severe and more frequent than in individuals with a comparable level of development. In this paper, an explainable framework based on a fine-tuned hybrid Deep Neural Network (DNN) and Recurrent Neural Network (RNN) called HyExDNN-RNN model is proposed for ADHD detection, multi-class categorization, and decision interpretation. This framework not only detects ADHD, but also provides interpretable insights into the diagnostic process so that psychologists can better understand and trust the results of the diagnosis. We use the Pearson correlation coefficient for optimal feature selection and machine and deep learning models for experimental analysis and comparison. We use a standardized technique for feature reduction, model selection and interpretation to accurately determine the diagnosis rate and ensure the interpretability of the proposed framework. Our framework provided excellent results on binary classification, with HyExDNN-RNN achieving an F1 score of 99% and 94.2% on multi-class categorization. XAI approaches, in particular SHapley Additive exPlanations (SHAP) and Permutation Feature Importance (PFI), provided important insights into the importance of features and the decision logic of models. By combining AI with human expertise, we aim to bridge the gap between advanced computational techniques and practical psychological applications. These results demonstrate the potential of our framework to assist in ADHD diagnosis and interpretation.
• Abstract（参考訳）: 注意欠陥高活動障害(ADHD)は神経発達障害であり、診断が困難であり、信頼性が高く透明な識別と分類のための高度なアプローチが必要である。 不注意、高活動、衝動のパターンが特徴で、同じレベルの発達の個人よりも重篤で頻繁である。 本稿では、ADHD検出、マルチクラス分類、決定解釈のために、HyExDNN-RNNモデルと呼ばれる、微調整されたハイブリッドディープニューラルネットワーク(DNN)とリカレントニューラルネットワーク(RNN)に基づく説明可能なフレームワークを提案する。 このフレームワークはADHDを検知するだけでなく、診断プロセスに対する解釈可能な洞察を提供するので、心理学者は診断結果をよりよく理解し、信頼することができる。 最適特徴選択にはピアソン相関係数を用い,実験解析と比較には機械学習モデルとディープラーニングモデルを用いた。 本稿では, 特徴量削減, モデル選択, 解釈の標準化手法を用いて, 診断率を正確に決定し, 提案フレームワークの解釈可能性を確保する。 その結果,HyExDNN-RNNはF1スコア99%,94.2%を多クラス分類で達成した。 XAIアプローチ、特にSHAP(SHapley Additive exPlanations)とPFI(Permutation Feature Importance)は、機能の重要性とモデルの決定ロジックに関する重要な洞察を提供した。 AIと人間の専門知識を組み合わせることで、高度な計算技術と実践的な心理学的応用のギャップを埋めることを目指している。 これらの結果は,ADHDの診断と解釈を支援する枠組みの可能性を示している。

関連論文リスト

• Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks [56.75602443936853]
  青少年の5人に1人は、不安、うつ病、行動障害などの精神状態または行動の健康状態と診断されている。 従来の研究では、障害予測にグラフニューラルネットワーク(GNN)アプローチを使用していたが、ブラックボックスのままであり、信頼性と臨床翻訳を制限している。 本研究では,解釈可能な機能接続の概念を符号化する概念に基づく診断フレームワークを提案する。 我々の設計は臨床的に意味のある接続パターンを通じて予測を保証し、解釈可能性と強い予測性能の両方を可能にする。
  論文  参考訳（メタデータ） (2025-10-02T19:38:46Z)
• ADHDeepNet From Raw EEG to Diagnosis: Improving ADHD Diagnosis through Temporal-Spatial Processing, Adaptive Attention Mechanisms, and Explainability in Raw EEG Signals [0.5408890608048686]
  注意欠陥多動性障害(ADHD)は、成人まで持続できる小児の脳障害である。 本稿では,Deep Learning(DL)アプローチとElectroencephalogram(EEG)信号を活用することで,ADHDの診断精度とタイムラインを改善する新しい手法を提案する。 本稿では,脳波信号に最適化された時間空間特性,アテンションモジュール,説明可能性技術を利用したDLモデルであるADHDeepNetを紹介する。
  論文  参考訳（メタデータ） (2025-09-10T17:07:00Z)
• Self-Explaining Hypergraph Neural Networks for Diagnosis Prediction [45.89562183034469]
  既存のディープラーニング診断予測モデルと本質的な解釈性は、過去の診断や病院訪問の度に注意重みを割り当てることが多い。 我々は、パーソナライズされた簡潔で忠実な説明を提供するように設計された、自己説明型ハイパーグラフニューラルネットワークモデルSHyを紹介する。 SHyは高次疾患の相互作用を捉え、パーソナライズされた説明として異なる時間的表現型を抽出する。
  論文  参考訳（メタデータ） (2025-02-15T06:33:02Z)
• Hybrid Interpretable Deep Learning Framework for Skin Cancer Diagnosis: Integrating Radial Basis Function Networks with Explainable AI [1.1049608786515839]
  皮膚がんは世界中で最も流行し、致命的な疾患の1つである。 本稿では,畳み込みニューラルネットワーク(CNN)とラジアル基底関数(RBF)ネットワークを統合するハイブリッドディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-24T19:19:02Z)
• An ADHD Diagnostic Interface Based on EEG Spectrograms and Deep Learning Techniques [7.43546591259295]
  本稿では,脳波(EEG)信号に対する深層学習(DL)技術を用いた注意欠陥・高活動障害(ADHD)診断への革新的アプローチを提案する。 公開されているEEGデータセットを活用して信号をスペクトログラムに変換することで、ADHD分類のための特徴抽出にResnet-18畳み込みニューラルネットワーク(CNN)アーキテクチャを使用した。 モデルでは高い精度、リコール、F1総合スコアは0.9。
  論文  参考訳（メタデータ） (2024-12-03T18:59:35Z)
• Explainable Diagnosis Prediction through Neuro-Symbolic Integration [11.842565087408449]
  我々は、診断予測のための説明可能なモデルを開発するために、神経象徴的手法、特に論理ニューラルネットワーク(LNN)を用いている。 私たちのモデル、特に$M_textmulti-pathway$と$M_textcomprehensive$は、従来のモデルよりも優れたパフォーマンスを示します。 これらの知見は、医療AI応用における精度と説明可能性のギャップを埋める神経象徴的アプローチの可能性を強調している。
  論文  参考訳（メタデータ） (2024-10-01T22:47:24Z)
• DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
  より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
  論文  参考訳（メタデータ） (2023-12-02T22:57:25Z)
• Exploiting the Brain's Network Structure for Automatic Identification of ADHD Subjects [70.37277191524755]
  我々は脳を機能的ネットワークとしてモデル化できることを示し,ADHD被験者と制御対象とではネットワークの特定の特性が異なることを示した。 776名の被験者で分類器を訓練し,ADHD-200チャレンジのために神経局が提供する171名の被験者を対象に試験を行った。
  論文  参考訳（メタデータ） (2023-06-15T16:22:57Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。