Neues erklärbares Deep-Learning-Modell liefert präzise ADHD-Diagnose

Ein neu entwickeltes, erklärbares Deep-Learning-Framework verspricht, die Diagnose von Aufmerksamkeitsdefizit-/Hyperaktivitätsstörung (ADHS) deutlich zu verbessern. Durch die Kombination von neuronalen Netzwerken und fortschrittlichen Interpretationsmethoden können Psychologen nicht nur genaue Ergebnisse erhalten, sondern auch nachvollziehen, wie die Entscheidung zustande kommt.

Das Modell, genannt HyExDNN‑RNN, verbindet ein fein abgestimmtes Deep Neural Network (DNN) mit einem Recurrent Neural Network (RNN). Für die Auswahl der wichtigsten Merkmale wird der Pearson-Korrelationskoeffizient eingesetzt, während standardisierte Verfahren zur Merkmalsreduktion und Modellauswahl die Genauigkeit maximieren. Diese Vorgehensweise stellt sicher, dass das System sowohl leistungsfähig als auch transparent bleibt.

Zur Erklärbarkeit kommen XAI-Ansätze wie SHapley Additive exPlanations (SHAP) und Permutation Feature Importance (PFI) zum Einsatz. Sie zeigen auf, welche Eingangsmerkmale den Entscheidungsprozess am stärksten beeinflussen, und ermöglichen Psychologen, die Diagnoseergebnisse kritisch zu hinterfragen und zu verstehen. Dadurch steigt das Vertrauen in die automatisierte Analyse und die Zusammenarbeit zwischen Mensch und Maschine wird gestärkt.

In den Experimenten erzielte das HyExDNN‑RNN herausragende Resultate: Bei der binären Klassifikation erreichte es einen F1‑Score von 99 % und bei der Mehrklassenklassifikation 94,2 %. Diese Zahlen unterstreichen die hohe Zuverlässigkeit des Modells und machen es zu einem vielversprechenden Werkzeug für die klinische Praxis.