基于弱监督动作识别的可解释性 ADHD 诊断框架

背景与学术渊源

注意力缺陷多动障碍（ADHD）的诊断长期以来依赖于主观的临床访谈和标准化评定量表。这些方法极易受到临床医生主观偏见的影响，且缺乏针对多动行为的客观定量指标。尽管早期的 AI 方法尝试通过结构化记录或神经生理数据（如 EEG/MRI）实现自动化诊断，但计算机视觉领域的最新进展已将重心转向行为表型分析。然而，推动 EDWAR 框架发展的核心“痛点”在于现有深度学习模型的黑盒性质（black-box nature）。既有系统虽能以高准确率预测诊断结果，却无法提供“为何如此”的解释——它们无法指出视频中患者表现出 ADHD 相关症状的具体时刻，从而导致其在临床整合中缺乏可信度。

直观领域术语

• 弱监督学习（Weakly-Supervised Learning）： 类似于教导学生识别视频中的特定鸟类，但仅告知其“该视频包含该鸟类”，而非标注其出现的精确秒数。模型必须自行推断“位置”信息。
• 骨架序列（Skeletal Sequences）： 可将其视为从视频中提取的“火柴人”动画。通过仅关注关节（肩、肘、膝），模型能够忽略背景细节（如室内光线或家具），从而专注于患者的运动特征。
• Gumbel-Softmax： 在标准 AI 中，模型可能因“不确定”而输出模糊的概率混合。该工具充当一种“可微（differentiable）”的公平硬币，使模型在训练过程中既能做出明确的决策（例如，“这是某种动作”），又能从错误中进行反向传播学习。
• 异常激活（Anomaly Activation）： 可将其视为行为的“热力图”。这是模型突出显示视频中患者运动偏离常态的具体时间戳的方式，有效地指明了“这就是多动行为发生的精确时刻”。

符号表

数学解释

作者通过构建一个两阶段协作框架解决了可解释性问题。首先，他们利用活动片段建议（Activity Segment Proposal, ASP）模块过滤掉静态或无关的运动。他们定义了激活图 $\alpha^{act}$，并使用 Gumbel-Softmax 技巧生成硬建议 $\mathbf{P}^{Act}_i$，使模型仅关注活跃片段。

核心创新在于异常激活网络（Anomaly Activation Network, AAN），定义如下：
$$\alpha^{ano} = \text{AAN}(\mathbf{P}^{Act} \odot f)$$
该方程利用活动建议 $\mathbf{P}^{Act}$ 对输入特征 $f$ 进行掩码处理，确保网络仅分析有意义的运动。随后，模型通过 Sigmoid 函数 $\sigma(\cdot)$ 和可学习的温度参数 $\mathcal{T}_c$ 将其聚合为分数 $s_c$，以识别特定异常。最终，ADHD 诊断不仅基于视频，还结合了这些异常分数与传统测试指标 $r$：
$$p = \text{MLP}(\text{concat}(s, r))$$
这种由损失函数 $\mathcal{L} = \mathcal{L}_{diag} + \lambda\mathcal{L}_{action}$ 支配的联合优化，迫使模型学习既能准确诊断又具备临床可解释性的特征。这是一种确保 AI 的“推理”与人类可观察的临床证据相一致的巧妙方法。

问题定义与约束

本文解决的核心挑战是现有 AI 辅助 ADHD 诊断工具的“黑盒”性质。目前，临床医生依赖于主观量表、临床访谈和执行功能测试的组合。虽然先前的 AI 模型尝试通过分析行为数据（如注视或骨架运动）实现自动化，但它们往往表现为不透明的分类器。这造成了严重的鸿沟：临床医生无法信任或验证 AI 诊断决策背后的“原因”，而这正是临床应用的关键要求。

困境与约束

作者面临着预测准确性与可解释性之间的经典权衡。
- 数据瓶颈： 获取“异常”ADHD 行为（如扭动、座位移动）的细粒度、逐帧标注成本极高且耗时。这迫使作者依赖“弱监督”学习，即仅能获取视频级标签（如“该视频包含 ADHD 症状”），而非精确的时间标记。
- 噪声问题： 在执行功能测试期间，受试者会进行许多正常的、与任务相关的运动。模型必须将这些运动与病理性的 ADHD 相关多动行为区分开来。
- 整合壁垒： 简单地将临床测试指标与行为特征拼接通常会导致次优性能，因为两种数据源存在于不同的“特征空间”中。作者必须设计一个协作框架，迫使模型学习同时具备诊断判别力与临床动作识别意义的特征。

数学表述

作者通过定义两阶段协作推理框架弥合了这一差距。

1. 活动片段建议（ASP）： 为应对细粒度标签的缺失，他们将编码后的姿态特征 $\mathbf{f} \in \mathbb{R}^{T \times d}$ 投影到激活图 $\alpha^{act} \in \mathbb{R}^{T \times 2}$ 中。为避免标准 Softmax 的“碎片化”，他们使用了 Gumbel-Softmax 技巧：
   $$[\mathbf{P}_i^{Act}, \mathbf{P}_i^{NoAct}] = \text{Gumbel-Softmax}([a_{i,0}, a_{i,1}]), \forall i \in \{1, \dots, T\}$$
   这在训练期间允许可微梯度，同时在推理期间实现对“活跃”片段的硬性、确定性选择。

2. 异常激活网络（AAN）： 一旦识别出活跃片段，模型通过以下方式预测异常分数 $\alpha^{ano}$：
   $$\alpha^{ano} = \text{AAN}(\mathbf{P}_i^{Act} \odot \mathbf{f})$$
   这有效地掩盖了无关的、静态的或正常的运动，将模型的注意力集中在 ADHD 相关行为最可能发生的片段上。

3. 协作优化： 最终诊断 $p$ 通过将聚合的异常分数 $\mathbf{s}$ 与临床测试指标 $\mathbf{r}$ 拼接后输入 MLP 分类器获得：
   $$p = \text{MLP}(\text{concat}(\mathbf{s}, \mathbf{r}))$$
   整个系统通过多任务损失函数 $\mathcal{L} = \mathcal{L}_{diag} + \lambda\mathcal{L}_{action}$ 进行训练。这迫使模型学习共享表示，其中诊断梯度作为动作识别模块的监督信号，确保检测到的异常确实与临床诊断相关。

方法论优势

EDWAR 框架通过将“黑盒”模型替换为透明的、弱监督的动作识别系统，解决了临床对 AI 辅助 ADHD 诊断信任度不足的关键挑战。

选择的必然性

作者指出，传统的 SOTA 方法（如标准 CNN 或基础 Transformer）在临床环境中往往失效，因为它们将诊断过程视为单一的分类任务。在 ADHD 评估中，没有“原因”（行为证据）的“结果”（诊断）是不充分的。

比较优势（基准逻辑）：
* 结构优势： 与将整个视频片段视为单一特征向量的标准模型不同，EDWAR 利用了活动片段建议（ASP）模块。该模块充当过滤器，将相关的多动行为与静态或无关运动分离开来。通过采用 Gumbel-Softmax 技巧，模型在训练期间保持了可微性，同时在推理期间实现了硬性、确定性的选择。
* 多模态协同： 该框架的优越性在于它不单纯依赖视觉。它实现了行为视频分析与结构化执行功能测试指标的“联姻”。通过在最终分类层将异常分数向量 $\mathbf{s}$ 与测试指标 $\mathbf{r}$ 拼接，模型确保了诊断结果既基于定量的测试表现，又基于定性的行为观察。

数学解释

问题的核心是在没有帧级标签的情况下识别序列 $X \in \mathbb{R}^{T \times D}$ 中的异常动作。作者通过以下步骤解决：

1. 特征编码： 提取特征 $\mathbf{f} = g_\theta(X)$ 并将其投影到 $T \times 2$ 的激活图 $\alpha^{act}$ 中，以区分活动与非活动。
2. 随机采样： 使用 Gumbel-Softmax 分布生成允许梯度流动的建议 $\mathbf{P}^{Act}_i$。
3. 异常定位： 通过异常激活网络（AAN）预测异常激活 $\alpha^{ano}$：
   $$\alpha^{ano} = \text{AAN}(\mathbf{P}^{Act} \odot \mathbf{f})$$
   这有效地掩盖了无关运动，确保模型仅分析检测到活动的片段。
4. 联合优化： 最终诊断概率 $p$ 源自聚合异常分数 $\mathbf{s}$ 与测试指标 $\mathbf{r}$ 的拼接，并通过多任务损失函数进行优化：
   $$\mathcal{L} = \mathcal{L}_{\text{diag}} + \lambda\mathcal{L}_{\text{action}}$$

数学与逻辑机制

EDWAR 框架通过结合客观行为分析与传统测试指标，应对了 ADHD 诊断的临床挑战。其核心动机是从“黑盒”AI 模型转向提供高诊断准确性且具备临床医生可验证的、时间局部化证据的系统。

主方程

该框架依赖于一个将时间异常激活聚合为单一视频级概率的评分函数。类 $c$ 的异常分数 $s_c$ 的核心方程为：

$$s_c = \sigma \left( \frac{\sum_{i=1}^{T} P_i^{\text{Act}} \cdot \alpha_{i,c}^{\text{ano}}}{T_c} \right)$$

方程解析：

1. $s_c$：视频中发生 $c$ 类异常的预测概率（0 到 1 之间）。
2. $\sigma(\cdot)$：Sigmoid 激活函数。
3. $\sum_{i=1}^{T}$：对视频中所有 $T$ 个时间步长的求和。
4. $P_i^{\text{Act}}$：时间步 $i$ 的“活动建议”权重。这充当了门控机制（gating mechanism）或过滤器；它源自 Gumbel-Softmax 采样，有效地“关闭”（设为 0）模型判定为静态或正常的片段。
5. $\alpha_{i,c}^{\text{ano}}$：时间步 $i$ 下 $c$ 类的异常激活 Logit。
6. $T_c$：可学习的温度参数。

优化动力学

模型通过多任务目标函数 $\mathcal{L} = \mathcal{L}_{\text{diag}} + \lambda\mathcal{L}_{\text{action}}$ 进行学习。

优化过程是一种微妙的平衡。$\mathcal{L}_{\text{diag}}$ 损失迫使模型在最终临床预测中保持准确，而 $\mathcal{L}_{\text{action}}$ 则迫使模型正确识别特定行为。由于二者联合训练，诊断梯度充当了动作识别模块的“教师”，引导其关注与 ADHD 真正相关的行为，而非仅仅是随机运动。

结果、局限性与结论

EDWAR 框架解决了临床精神病学中的一个关键瓶颈：ADHD 诊断中主观性强且缺乏定量透明度的问题。

核心问题与数学解法

为解决标注瓶颈，作者采用了弱监督动作识别（Weakly-Supervised Action Recognition）。模型无需逐帧标签，仅需视频级诊断标签。该框架使用活动片段建议（ASP）模块过滤无关运动并聚焦于异常行为。

在数学上，模型通过编码器 $g_\theta$ 处理骨架序列 $X \in \mathbb{R}^{T \times D}$ 以获得特征 $\mathbf{f}$。为避免标准 Softmax 的局限性，作者使用了 Gumbel-Softmax 技巧：
$$[\mathbf{P}^{\text{Act}}_i, \mathbf{P}^{\text{NoAct}}_i] = \text{Gumbel-Softmax}([a_{i,0}, a_{i,1}]), \forall i \in \{1, \dots, T\}$$
这使得模型在训练期间保持可微梯度，同时在推理期间实现硬性、确定性的决策。

实验验证

作者将该架构与多种基线进行了对比，包括传统机器学习模型及高级时间模式识别模型（如 bi-LSTM 和 BERT）。EDWAR 达到的 94.3% 准确率是其成功的决定性证据，显著优于基于 BERT 的混合模态基线（91.6%）。表 2 中的消融实验是“确凿证据”，证明了 WSAR 模块与临床测试指标之间的协同作用具有变革性意义。

讨论与未来展望

EDWAR 框架迈出了重要一步，但也为未来研究提出了几个引人深思的问题：
1. 跨疾病泛化： 该框架能否调整以区分 ADHD 与其他神经发育障碍？
2. 纵向稳定性： 如果模型需要分析数小时的课堂行为，其表现如何？
3. 伦理与隐私考量： 随着 AI 辅助诊断的推进，如何确保骨架提取过程符合最高隐私标准？

总体而言，该框架为复杂的临床问题提供了一个引人注目、透明且高精度的解决方案，有效地弥合了算法决策与人类可读证据之间的鸿沟。

与其他领域的同构性

EDWAR 框架分析

EDWAR（可解释性 ADHD 诊断框架）通过结合传统临床测试指标与自动化视频行为分析，应对了 ADHD 诊断挑战。核心问题在于现有的 ADHD 诊断 AI 模型通常是“黑盒”，在未解释患者为何被归类为 ADHD 的情况下给出分类。此外，临床数据往往充满噪声，包含大量可能干扰模型的“正常”行为片段。

背景知识

理解本文需熟悉：
* 弱监督学习： 一种机器学习范式，模型仅使用高层标签（如“该视频包含 ADHD 相关行为”）而非逐帧标注进行训练。
* Gumbel-Softmax： 一种数学技巧，允许研究人员在保持过程可微的同时从分类分布中采样，这对通过反向传播训练神经网络至关重要。
* 骨架序列： 作者提取 2D 关节坐标（骨架）而非处理原始视频像素，从而专注于运动模式，降低了计算复杂性并缓解了隐私顾虑。

结构骨架

其核心逻辑是一种多模态融合机制，利用随机门控函数从高维行为序列中过滤时间噪声，并将其映射到诊断概率空间。