北京师范大学认知神经科学与学习国家重点实验室王延培副研究员团队联合英国南安普顿大学研究者于2026年10月7日在Nature旗下期刊《 npj Digital Medicine》（IF5years = 19.7） 发表系统综述与Meta分析论文“Artificial intelligence for the data-driven diagnosis of ADHD: A systematic review and meta-analysis”。该研究整合54项机器学习/深度学习驱动的ADHD诊断研究，在确认合并诊断性能相对稳定的同时，揭示了极高异质性与方法学不一致对临床可迁移性的根本限制，明确提出当前领域的优先任务不是寻找“最佳模态”，而是建立标准化、可外部验证并接受前瞻性临床评价的模型体系，为数据驱动ADHD诊断的下一阶段研究提供了循证路标。
高性能与低可用性的悖论：AI诊断ADHD的证据究竟支持什么？
注意缺陷多动障碍（ADHD）是儿童青少年期最常见的神经发育障碍，全球患病率约7.6%。近年来，基于脑电、fMRI、生理信号、行为视频及多模态融合的AI诊断模型大量涌现，部分研究报告了超过95%的内部验证准确率。然而，临床上至今仍无成熟的AI工具可独立用于ADHD诊断。这种文献研究的高性能与临床的较低应用，构成了本研究的出发点。
团队对54项符合PRISMA标准的研究进行Meta分析发现：合并敏感度为0.87（95% CI: 0.83–0.91），合并特异度为0.91（95% CI: 0.88–0.93）。排除11项PROBAST高偏倚风险研究后，敏感度变为0.874，特异度变为0.917，点估计变化均小于0.01，表明合并性能信号具有一定的统计稳健性，并非完全由高风险研究驱动。
然而，元回归显示残余异质性仍高于96%，且敏感度存在显著发表偏倚。这意味着：平均性能信号虽然客观存在，但现阶段尚不能将其直接等同于新医院、新设备、真实患者场景下的临床预期性能。文献中较高的模型表现，并不等于这些模型已具备稳定、可迁移的临床诊断能力。研究帮助领域明确区分了三个常被混淆的概念：单个数据集上的模型性能、跨研究的平均诊断表现、以及真实临床环境中的诊断性能。
五大评估类别无统计学优劣，验证策略比模态选择更关键
研究将54项研究按评估工具分为生理指标检测、神经影像评估、感觉运动功能评估、行为与主观报告评估、多模态融合评估五个类别。亚组分析显示，各类别合并敏感度介于0.79至0.90之间，合并特异度介于0.90至0.97之间，但类别间差异均未达到统计学显著水平（敏感度p = 0.068，特异度p = 0.743）。这表明当前证据不足以支持任何一种模态或融合策略优于其他方案。
更具普遍意义的发现来自方法学因素的元回归：样本量对敏感度具有显著负向调节作用（p = 0.021, R2 = 13.5%），大样本研究倾向于报告更低敏感度；独立测试集的敏感度显著低于交叉验证。这提示模型性能不仅取决于算法或数据类型，更取决于研究设计与验证方式。对数字医学研究而言，这一发现的指导价值远超“EEG还是fMRI更好”的模态之争。
图1：数据驱动的ADHD诊断与干预概念性研究及评估路径；本图并不代表该技术已具备当前临床应用条件。
从候选信号到临床应用：四阶段转化路线图
文章强调，当前AI模型识别的是ADHD的候选生物标志物，而非可直接部署的临床诊断工具。团队据此提出四阶段研究与评估过程：第一，遵循TRIPOD+AI指南实现标准化透明报告，涵盖数据来源、缺失处理、预处理、模型开发、验证、区分度、校准度及亚组性能；第二，开展跨中心、跨设备、跨人群的独立外部验证，作为临床转化的前置条件；第三，采用DECIDE-AI框架进行前瞻性影子模式评估，在不干预实际诊疗的前提下检验模型在真实工作流中的安全性与稳定性；第四，在完成上述步骤后，方可启动前瞻性临床试验，验证基于亚型的数字干预或自适应系统是否改善患者相关结局。
研究同时指出三大实践障碍亟待突破：深度学习模型的“黑箱”特性限制临床推广，需优先发展可解释AI技术将模型权重映射回ADHD的神经生物学特征；多模态数据获取成本高昂，未来需纳入卫生经济学评估以论证其在常规临床场景中的成本效益；多数研究仅覆盖儿童群体，成人ADHD的AI诊断证据不足，全生命周期泛化能力有待验证。
论文第一作者为北京师范大学2023级博士研究生马磊磊，通讯作者为王延培副研究员，合作者包括北京师范大学研究生曹钰杰、陈靖炎、刘宁宇（已毕业）、王笳力（已毕业），以及英国南安普顿大学Charlotte Walton教授。研究得到了脑科学与类脑研究国家科技重大专项（2021ZD0200500）、国家自然科学基金（32200873）、中国博士后科学基金（2022M720487）和中央高校基本科研业务费（2022NTST13）支持。
