[論文レビュー] Enhancing Psychologists' Understanding through Explainable Deep Learning Framework for ADHD Diagnosis

Abdul Rehman, Ilona Heldal+1 more|arXiv (Cornell University)|Jan 28, 2026

Attention Deficit Hyperactivity Disorder被引用数 0

ひとこと要約

この論文は ADHD の検出と多クラス診断のための説明可能な深層学習フレームワーク HyExDNN-RNN を提案し、SHAP および PFI の説明を用いて ADHD200 データセットで 99% の二値分類精度と 94.2% の多クラス精度を達成する。

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.

研究の動機と目的

• 臨床心理士にとって透明で解釈可能な改善された信頼性の高い ADHD 診断を動機づける。
• 二値 ADHD 検出と多クラス分類をサポートする説明可能なハイブリッド深層学習モデル（HyExDNN-RNN）を開発する。
• 解釈可能な診断洞察を提供するために特徴量の削減と XAI 手法（SHAP、PFI）を組み込む。
• ADHD200 データセットでモデル性能を評価し、臨床利用の解釈性を評価する。

提案手法

• HyExDNN-RNN の ADHD 検出と解釈のためのハイブリッド Deep Neural Network と Recurrent Neural Network の微調整。
• 次元削減のために Pearson 相関係数を用いて特徴量を選択。
• Reduced features に対して複数のモデル（RF, DT, EXGB, DNN, LSTM, LSTM-GRU, LSTM-RNN）および HyExDNN-RNN の訓練と比較。
• 局所的な特徴量の説明を得るために SHAP を適用し、意思決定を解釈するためのグローバル特徴重要性を PF I で得る。
• 欠損データ補完、ラベルエンコーディング、正規化といった標準前処理を使用。
• binary および multi-class classification 指標（Accuracy、Precision、Recall、F1-score、ROC-AUC）で評価する。

Figure 1 : Proposed XAI-based Machine and Deep Learning Framework for ADHD Diagnosis and Explainability

実験結果

リサーチクエスチョン

• RQ1 HyExDNN-RNN フレームワークは ADHD データセットにおける二値検出と多クラス分類で高い精度を達成できるか。
• RQ2 SHAP および PFI の説明は ADHD 診断における特徴量重要性とモデル意思決定ロジックを照らし出すか。
• RQ3 Pearson ベースの特徴選択がモデル性能と解釈性に与える影響はどの程度か。
• RQ4 さまざまなモデルは ADHD 検出において HyExDNN-RNN と比べてどの程度 accuracy や頑健性に差があるか。

主な発見

• HyExDNN-RNN は二値分類で 99% の accuracy および 0.99 ROC-AUC を達成。
• HyExDNN-RNN は多クラスで 94.2% の accuracy、precision、recall、F1-score を達成。
• SHAP は inattentive, hyperactive/impulsive ADHD 指標を ADHD 予測の強力な影響特徴として特定。
• PFI はグローバルな特徴重要性を提供し、予測全体にわたるモデル挙動を明らかにする。
• EXGB および LSTM-RNN も高い性能を示すが、HyExDNN-RNN は総合的な性能と解釈性で最も優れている。
• このフレームワークは、AI と人間の専門知識が ADHD 診断と解釈を支援できることを示している。

Figure 2 : Distribution of Dataset Classes. Typically Developing Children (TDC) Class 0, ADHD-combined (Class 1), ADHD-Hyperactive/Impulsive (Class 2), ADHD-Inattentive (Class 3)