ADHD Beacon/知识库/19

ADHD LLM WIKI · 科技、权益与全球就医

AI 辅助诊断与数字表型研究

AI 正在从眼动、语音、动作、脑电、病历文本等多种数据里寻找 ADHD 的"数字线索"，但目前全部处于研究阶段，尚不能替代医生的临床评估。
更新
2026-07-05
阅读
约 17 分钟
面向
本人 · 父母 · 教师 · 临床求助者
证据基准

PMC/PubMed 收录的同行评议论文（Frontiers in Psychiatry、Frontiers in Artificial Intelligence、BMC Psychiatry、Pediatrics、Scientific Reports 等）、FDA De Novo 分类文件、Akili/EndeavorRx 官方资料

为什么会有人研究"用 AI 诊断 ADHD"

目前 ADHD 的诊断主要依赖临床访谈、行为量表（家长/教师问卷）和病史采集，这些方法带有主观性，容易受到评估者经验、文化背景和共病症状重叠的影响（参见 诊断标准：DSM-5 与 ICD-11 和 确诊之路：评估与就医）。因此，学术界一直在探索能否用可量化、可重复的"客观指标"（objective biomarker）辅助或补充临床判断。人工智能（AI）——尤其是机器学习（machine learning）和深度学习（deep learning）——被寄望于从行为学、神经生理学、神经影像学和数字设备数据中提取模式，形成"数字表型"（digital phenotype）。

需要特别强调：截至目前，没有任何一种 AI 工具被批准作为 ADHD 的独立诊断标准，所有研究性工具都只能作为传统评估的辅助或补充信息来源。

1. 数字表型：传感器 + AI

#### 眼动追踪（Eye Tracking）

四川大学华西第二医院团队（Frontiers in Psychiatry，2023）在平板电脑上用 AI 驱动的眼动追踪技术筛查儿童 ADHD 症状：437 名儿童参与（ADHD 组 112 人，对照组 325 人，平均年龄约 9.4 岁），使用普通平板电脑（30Hz 采样率）完成注视、前向扫视（prosaccade）和反向扫视（antisaccade）任务。结果显示，ADHD 组表现出更多眼跳次数、更短的中心注视时间，反向扫视任务中的修正潜伏期也显著延长；用这些"数字生物标记"（如瞳孔直径波动、注视轨迹规律性）训练的机器学习模型，判别 ADHD 与正常发育儿童的准确率、AUC 值达到较高水平（不同报道口径下 AUC 可达 0.9 以上）。研究也坦承任务时长较短（单次注视仅 30 秒、扫视试次仅 14 次），未来需要更长采样以提高稳定性。

#### 语音/语言分析（Voice & Speech Biomarker）

多项研究显示，ADHD 患者的语音语调、韵律、语速可能携带可辨识的信息。有研究指出，韵律特征结合深度学习提取的语言学特征，在区分成人 ADHD 与健康对照上取得约 0.78 的分类准确率；其神经生物学假说认为，ADHD 中多巴胺信号异常与执行功能、运动控制的缺陷有关，而多巴胺同样深度参与发声（voice production）过程。另有 2025 年研究用深度学习方法直接从原始音频学习特征，在区分自闭症、ADHD 与神经典型儿童的三分类任务中准确率约为 77%，并发现 ADHD 相关语音特征主要集中在中频段。这类"声音数字表型"研究目前样本量普遍不大，需要更大规模、多语言、多方言的验证。

#### 击键/鼠标行为（Keystroke & Mouse Dynamics）

有研究把鼠标轨迹追踪整合进经典的"停止信号任务"（Stop-Signal Task）和"去/不去任务"（Go/No-Go Task），提出"机器学习停止信号测试"（ML-SST）。结果显示，加入鼠标运动测量（如运动轨迹的偏移、犹豫）后，与问卷测量的关联比传统按键版本更强、更稳定，检测 ADHD 症状的准确率可接近传统问卷测量水平；这类方法还被认为有潜力识别"假装有 ADHD 症状"（symptom feigning）的情况，是问卷类工具难以做到的。

#### 活动量传感器/可穿戴设备（Wearables & Actigraphy）

  • 一项病例对照研究（BMC Psychiatry，2024）纳入 76 名成人（32 名 ADHD、44 名对照），让其完成 Stroop 测试并用可穿戴设备被动采集皮电活动（EDA）、心率变异性（HRV）、皮肤温度（ST）三类生理信号，提取 191 项特征后用支持向量机（SVM）等模型分类，最佳模型准确率约 81.6%（灵敏度 81.4%、特异性 81.9%）；多模态融合的表现优于单一信号。研究同时指出样本量小、未做外部验证、未排除共病和用药影响等局限。
  • 也有研究用 XGBoost 等梯度提升算法处理智能手表/活动手环的静态与时间序列特征，将"个体患 ADHD 的可能性"归纳为连续变量；有综述提到用一周的运动数据预测症状连续谱，AUC 可达 0.89 左右（该数据来自其他精神心理疾病的类似方法学，ADHD 领域的独立大样本验证仍待完善）。
  • 一项综述性研究还提到 Fitbit 等消费级设备"具备被临床医生用于辅助诊断和监测 ADHD 的潜力"，但也强调这仍是早期探索。

2. 计算机视觉/行为分析：摄像头 + AI 看多动与注意力

  • 土耳其 Zonguldak Bülent Ecevit 大学与 İzmir 经济大学团队（Frontiers in Psychiatry，2026）让教师佩戴第一人称视角（POV）摄像头，对 51 名学龄前儿童（48–60 个月，20 名多动风险组、31 名对照组）在 3 分钟"讲故事"互动任务中录像，用 MediaPipe 姿态估计提取 33 个身体关键点，计算各部位（尤其是脚踝、手等远端肢体）相对骨盆的累积位移。多动风险组的肢体运动量显著更大；用 SVM 分类的准确率为 84.31%（灵敏度 80%、特异性 87.10%，AUC 0.83），且左脚踝运动量与教师评定的多动分数呈正相关。作者明确声明该方法并非独立诊断工具，而是对现有筛查手段的补充，且样本量小、缺乏外部验证队列。
  • 更广泛的"课堂行为检测"计算机视觉研究（多为教育技术领域，非专门针对 ADHD）使用 YOLO、Faster R-CNN、OpenPose 等目标检测/姿态估计模型，识别举手、听讲、疲劳、伏案等行为类别，技术路线与上述 ADHD 研究相似，但多数尚未与临床 ADHD 诊断结果做严格关联验证。
  • 目前没有检索到 FDA 批准的、基于摄像头的 ADHD 诊断类产品；已获 FDA 批准的 EndeavorRx／EndeavorOTC 是"数字治疗"（游戏化训练，用 AI 实时根据孩子表现动态调整游戏难度），并非诊断工具，详见 AI 数字疗法与智能工具。

3. AI 辅助临床决策：分类、鉴别诊断与脑影像

河南中医药大学附属医院团队在《Frontiers in Artificial Intelligence》（2025年9月）发表的综述系统梳理了 AI 在 ADHD 评估全流程（早期筛查、风险预测、诊断辅助、鉴别诊断）中的应用，要点如下：

  • 早期筛查：AI 模型可整合早产、低出生体重、家族遗传风险等早期危险因素，结合婴幼儿期行为特征，建立风险预测模型识别需要专业评估的高危儿童。
  • 二分类任务（ADHD vs. 健康对照）：使用高质量多模态神经影像数据配合深度学习算法的模型，准确率或 AUC 值通常能达到 0.8 以上；但在更贴近临床实际的鉴别诊断任务中（例如区分 ADHD 与自闭症谱系障碍等症状重叠的疾病），模型性能明显下降。
  • 多模态融合更优：综合行为学、神经生理学（EEG/眼动）、神经影像（MRI/fMRI）、遗传信息与数字表型等多源数据的模型，通常比单一模态模型表现更好。

脑影像（EEG/fMRI）+ AI 的具体进展：

  • EEG 方面：多项深度学习方法（如 LSTM+CNN 混合模型、图卷积网络 GCN、事件相关电位分析）用于从脑电信号中识别 ADHD 特征，部分研究报告分类准确率在 80% 左右（如某事件相关谱分析研究报告约 83%）；EEG 因采集简便、时间分辨率高，是研究中较受青睐的信号源。
  • fMRI 方面：基于静息态功能连接（resting-state functional connectivity）的深度学习方法（如端到端的 DeepFMRI、时空网络模型）用于 ADHD 分类，但多个研究指出这类方法目前"准确率有限"，稳定性和跨数据集泛化能力是主要瓶颈。

跨研究一致公认的局限性（务必牢记）：

  1. 多为小样本、单中心数据，缺乏大规模标准化、跨机构共享的多模态数据库；不同研究间设备参数、任务范式差异很大，难以直接比较。
  2. 泛化能力不足：在内部数据集上表现优异的模型，换到不同人群、设备或采集环境的外部数据集上时，性能常显著下降（过拟合、域偏移问题）。
  3. "黑箱"问题：许多高性能深度学习模型可解释性差，临床医生难以理解其判断依据，影响信任和采纳。
  4. 偏见与公平性风险：若训练数据未能充分覆盖不同性别、种族、年龄、社会经济背景的人群，模型可能放大既有偏见，对某些亚群体产生系统性不准确。
  5. 严重缺乏前瞻性临床验证：绝大多数研究仍停留在回顾性分析或概念验证阶段，设计严谨的前瞻性、多中心临床试验非常稀缺——这正是 AI 技术能否真正走进临床的核心障碍。
  6. 综合多篇文献看，若采用严格的跨中心验证策略，报告的准确率通常落在 60%–85% 区间，远低于部分单中心研究宣称的 90% 以上——後者往往存在过拟合或数据泄漏风险，读者需保持审慎。

4. 大模型（LLM）在 ADHD 研究/临床中的应用

  • 病历文本分析、提升医疗质量监控效率：斯坦福大学医学院团队（Yair Bannett 等，发表于《Pediatrics》2025年1月）用开源大语言模型 LLaMA，对 2015–2022 年间 1201 名 6–11 岁 ADHD 儿童的 15,628 份电子病历文本进行回顾性分析，训练模型自动判断病历中是否记录了"药物副作用询问"，用于评估临床医生是否遵循用药后随访的诊疗规范。模型表现：灵敏度 87.2%、特异性 86.3%、ROC 曲线下面积 0.93。研究同时揭示了真实临床数据：电话随访中副作用询问率为 51.9%，门诊/远程医疗中为 73.0%，兴奋剂类药物处方后询问率 61.4%，非兴奋剂类为 48.5%。这说明 LLM 可以大幅提升对海量非结构化病历文本的质量审查效率和深度，用于医疗质量改进（quality improvement），而非直接诊断患者。
  • 辅助生成健康教育材料：已有研究（2025年10月，medRxiv 预印本）比较了 ChatGPT-5、DeepSeek V3、Grok 4 三款大模型生成的 ADHD 相关教育内容在可读性、准确性、可用性方面的差异，发现不同模型风格各异（ChatGPT-5 偏"类人对话"、DeepSeek V3 偏"结构化分析"、Grok 4 偏"快速检索+幽默"），但同类研究普遍指出：AI 生成的患者教育材料整体阅读难度往往高于推荐的患者可读水平，需要人工审校和简化才能真正惠及不同教育背景的读者。
  • 模拟治疗场景/沉浸式训练：有综述提到 LLM 正被整合进 ADHD 相关的治疗场景，例如结合虚拟现实生成模拟治疗对话，用于教练/治疗师培训或患者练习社交沟通，但这类应用目前也主要处于探索阶段。
  • 精神科整体应用背景：多篇系统综述指出，ChatGPT、GPT-4 等通用大模型在精神科的辅助诊断推理、临床问答等场景中展现出多样化潜力，但学界普遍强调"LLM 不能取代人类治疗师和医生的临床判断，只能作为辅助和补充"。

5. 主要研究机构与论文一览（本节点已核实引用）

研究方向作者/机构期刊/年份关键数字
眼动追踪筛查儿童ADHD陈晓露等，四川大学华西第二医院Frontiers in Psychiatry, 2023437名儿童；AUC约0.9+
AI在ADHD评估中的综述赵翠杰，河南中医药大学附属医院Frontiers in Artificial Intelligence, 2025二分类AUC≥0.8；鉴别诊断性能下降
多模态生理信号检测成人ADHDAndrikopoulos, Vassiliou 等（Feel Therapeutics/雅典大学）BMC Psychiatry, 202476人；SVM准确率81.6%
POV摄像头+姿态估计评估学龄前多动Kayış, Gedizlioğlu（土耳其两所大学）Frontiers in Psychiatry, 202651名儿童；SVM准确率84.31%，AUC 0.83
LLM分析病历监测ADHD用药副作用Yair Bannett等，斯坦福大学医学院Pediatrics, 202515,628份病历；灵敏度87.2%/特异性86.3%/AUC 0.93
LLM生成ADHD健康教育材料对比多机构合作medRxiv预印本, 2025对比ChatGPT-5/DeepSeek V3/Grok 4
EndeavorRx数字治疗（FDA批准）Akili Interactive；STARS-ADHD试验FDA De Novo, 2020；npj Mental Health Research348名儿童参与关键试验；73%报告注意力改善

给普通读者的判断框架

面对媒体上"AI 一秒识别 ADHD"之类的报道，可以用以下问题自我核查：

  • 这项技术是否发表在同行评议期刊上，还是仅为公司新闻稿/预印本？
  • 样本量有多大？是否做过独立于训练数据的外部验证？
  • 报告的准确率是在严格交叉验证/多中心条件下，还是单中心小样本下得出？
  • 是否明确说明"仅用于研究"而非"可用于临床诊断"？

面向角色的要点

  • 如果你是本人：如果看到某个 App/网站宣称"AI 一测就知道你是不是 ADHD"，请保持警惕——这类工具目前没有一个被批准为诊断标准，最多只能作为自我筛查参考，确诊仍需前往正规医疗机构完成 确诊之路：评估与就医 中描述的临床评估流程。
  • 如果你是父母：给孩子用的"AI 摄像头行为分析""AI 眼动测试"类产品目前基本都处于科研阶段，购买前应确认其是否有同行评议证据支持、是否明确声明"非诊断工具"；不要因为家用设备给出了"高风险"或"低风险"结论就自行下诊断结论或自行停用/使用药物。
  • 如果你是教师：课堂摄像头行为分析技术尚在实验室阶段，即便未来落地，也应优先考虑学生隐私、伦理审查和知情同意，不能替代对学生的观察记录和转介专业评估的教育流程。
  • 如果你是临床求助者：可以主动向医生询问其机构是否使用了任何 AI 辅助工具（如病历分析系统），但应理解这类工具目前主要用于提升效率或质控，最终诊断决策仍由医生做出。

常见问题 FAQ

Q：现在有没有一种 AI 检测（比如眼动仪、可穿戴设备）可以直接确诊 ADHD？ A：没有。目前所有 AI 辅助方法（眼动追踪、语音分析、可穿戴传感器、脑电/影像分类模型等）都还处于研究验证阶段，样本量普遍偏小，缺乏大规模前瞻性临床试验支持，不能作为独立诊断依据。确诊仍需专业临床评估，详见 确诊之路：评估与就医 和 诊断标准：DSM-5 与 ICD-11。

Q：EndeavorRx 是不是"用 AI 诊断 ADHD 的仪器"？ A：不是。EndeavorRx（及成人版 EndeavorOTC）是 FDA 批准的"数字治疗"（游戏化训练工具），用 AI 实时根据孩子的表现调整游戏难度以训练注意力功能，属于治疗手段而非诊断工具，且需要处方（EndeavorOTC 为非处方）。详见 AI 数字疗法与智能工具。

Q：AI 分析脑电图（EEG）或核磁共振（fMRI）是不是比医生问诊更准？ A：不能这样简单比较。研究显示部分 EEG/fMRI 深度学习模型在特定数据集上准确率或 AUC 可达 0.8 以上，但换到不同设备、不同人群的外部数据后性能常明显下降，且模型多为"黑箱"、难以解释判断依据，目前不具备替代临床问诊的条件。

Q：大模型（如 ChatGPT）能帮我了解 ADHD 或者辅助医生看病吗？ A：可以作为信息获取和效率工具的补充，例如帮助生成通俗易懂的科普材料，或帮医生快速审查大量病历文本（如斯坦福团队用 LLaMA 分析病历监测用药随访）。但研究也发现 AI 生成材料的可读性有时偏难，且大模型不能替代医生的临床判断和诊断责任。

Q：用摄像头拍孩子上课就能判断他是不是多动症吗？ A：目前学术界仅有小规模研究（如 51 名学龄前儿童的姿态估计研究）探索这一方向，作者本人也明确声明这类技术"并非独立诊断工具"，只能作为现有筛查手段的补充参考，且存在样本小、无外部验证等局限。

近期进展速递（2026-07更新）

四川大学华西医院团队发现ADHD三种"脑生物型"（2026年3月，JAMA Psychiatry）：这是本次复检中最值得关注的新进展。研究纳入超过1150名参与者，通过结构性MRI脑扫描构建"形态相似性网络"（morphometric similarity networks），并用AI聚类算法（HYDRA）根据脑网络偏离神经典型（neurotypical）扫描的程度，将ADHD儿童归入三种亚型：第1型表现为广泛的全脑网络改变，症状最严重、也最易持续到成年；第2型为局限性改变（尤其集中在皮层下区域），症状程度中等；第3型脑部改变最小，认知表现已接近非ADHD儿童。研究团队还将这些生物学分型与基因表达、神经递质（血清素、多巴胺）及药物反应做了关联分析。这一发现呼应了本节点第3部分提到的"ADHD并非单一同质疾病"的观点，如果后续能被独立样本重复验证，未来有可能发展为辅助判断"哪类患者更需要长期干预""对哪类药物反应更好"的分层工具——但目前仍是单中心研究，尚未进入临床应用，读者应继续以专业医生诊断为准。

其他检索到但价值有限的动态：2026年5月的LREC会议上发布了"ADHD-Lang"数据集（基于Reddit的1.2万+ADHD自述用户语言样本，配套构建了可解释ML模型与黑箱Transformer模型的对比基准），主要面向研究者提供标准化测试集，尚无临床转化意义，此处仅作记录不展开。其余检索结果多为既有研究方向（可穿戴设备、LLM辅助病历分析等）的延续性小样本论文，未发现足以改写本节点结论的重大突破。

来源

知乎精选 · 经验与检索线索

把知识放回真实生活

这些内容经过重新表述和风险分级，用来补充真实处境、方法灵感和论文检索入口；它们不属于本页的核心证据层。
研究与科普线索2026 新增

人工智能模型预测儿童ADHD学业和辍学风险

相关研究探索能否利用早期健康记录识别需要进一步评估和支持的儿童，以及诊断时机与后续学业轨迹的关联。

阅读边界准确率和效应量需回查论文；风险预测不能替代临床诊断。
重要说明

本页用于科普与行动规划，不构成诊断或个体医疗建议。诊断、用药和治疗调整应由当地合格专业人员完成；各国政策、药物可及性与费用可能随时间变化。

继续探索

沿着知识图谱读下去

20

AI 数字疗法与智能工具

02

诊断标准：DSM-5 与 ICD-11

18

确诊之路：评估与就医

SOURCE

权威资源与证据入口

完成在线筛查查看三本书进入社区讨论