[논문 리뷰] Enhancing Psychologists' Understanding through Explainable Deep Learning Framework for ADHD Diagnosis

Abdul Rehman, Ilona Heldal외 1명|arXiv (Cornell University)|2026. 01. 28.

Attention Deficit Hyperactivity Disorder인용 수 0

한 줄 요약

이 논문은 ADHD 탐지 및 다중 클래스 진단을 위한 SHAP 및 PFI 설명이 포함된 HyExDNN-RNN을 제시하며, ADHD200 데이터에서 이진 정확도 99% 및 다중 클래스 정확도 94.2%를 달성한다.

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.

연구 동기 및 목표

• 임상 심리학자를 위한 투명하고 해석 가능한 더 나은, 신뢰할 수 있는 ADHD 진단을 촉진한다.
• Binary ADHD 탐지와 다중 클래스 분류를 지원하는 설명 가능한 하이브리드 딥러닝 모델(HyExDNN-RNN)을 개발한다.
• 해석 가능한 진단 인사이트를 제공하기 위해 특징 감소 및 XAI 방법(SHAP, PFI)을 통합한다.
• ADHD200 데이터셋에서 모델 성능을 평가하고 임상 사용 가능성을 평가한다.

제안 방법

• 하이브리드 Deep Neural Network와 Recurrent Neural Network(HyExDNN-RNN)를 ADHD 탐지 및 해석을 위해 미세 조정한다.
• 차원 축소를 위해 피어슨 상관계수를 사용하여 특징을 선택한다.
• Reduced features에서 여러 모델(RF, DT, EXGB, DNN, LSTM, LSTM-GRU, LSTM-RNN)과 HyExDNN-RNN을 학습하고 비교한다.
• 로컬 특징 설명을 얻기 위해 SHAP을 적용하고 의사결정을 해석하기 위한 글로벌 특징 중요성을 위해 PFI를 사용한다.
• 표준 전처리 적용: 누락 데이터 보간, 라벨 인코딩, 정규화.
• 이진 및 다중 클래스 분류 지표(정확도, 정밀도, 재현율, F1-점수, ROC-AUC)로 평가한다.

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

실험 결과

연구 질문

• RQ1 HyExDNN-RNN 프레임워크가 ADHD 데이터셋에서 이진 ADHD 탐지 및 다중 클래스 분류에서 높은 정확도를 달성할 수 있는가?
• RQ2 SHAP 및 PFI 설명이 ADHD 진단에서 특징 중요도와 모델 의도 논리를 어떻게 밝히는가?
• RQ3 피어슨 기반 특징 선택이 모델 성능과 해석가능성에 미치는 영향은 무엇인가?
• RQ4 다양한 모델이 ADHD 탐지에서 정확도와 강건성 면에서 HyExDNN-RNN과 비교해 어떤 차이가 있는가?

주요 결과

• HyExDNN-RNN은 이진 분류에서 99% 정확도와 0.99 ROC-AUC를 달성한다.
• HyExDNN-RNN은 다중 클래스에서 94.2% 정확도, 정밀도, 재현율 및 F1-점수를 달성한다.
• SHAP은 주의부주의 및 과잉행동/충동성 ADHD 지표를 ADHD 예측에서 매우 영향력 있는 특징으로 식별한다.
• PFI는 전반적인 예측에서 글로벌 특징 중요성을 제공하여 모델 거동을 밝힌다.
• EXGB와 LSTM-RNN도 우수한 성능을 보이지만, HyExDNN-RNN이 전반적으로 가장 강력한 성능과 해석가능성을 보인다.
• 이 프레임워크는 AI와 인간 전문가의 협력을 통해 ADHD 진단과 해석을 지원하는 방법을 보여준다.

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)