在注意缺陷多动障碍（ADHD）神经影像研究领域，ADHD-200 是一个值得了解的公开数据集，它同时提供患者与典型发育对照的脑影像，并附有人口学、诊断和部分症状量表信息。

本文从数据组成与下载方式、背景介绍、近两年发文情况三个方面对此数据集做一个介绍。

1、数据组成与下载方式

ADHD-200面向注意缺陷多动障碍（ADHD）研究，核心是T1结构像、静息态功能MRI（rs-fMRI）及表型信息，没有DWI数据，是个横向数据集，非纵向。

经典发布样本来自8家机构（包括美国的 Brown、KKI、NYU、OHSU、Pittsburgh、WashU，荷兰的 NeuroIMAGE，以及中国的北京大学），年龄约7–27岁，以儿童青少年为主。“200”并非人数：

947人有公开诊断标签，不代表947人均能通过质控。最终人数取决于影像完整性、头动、年龄和量表筛选。

表型包含年龄、性别、利手、诊断，以及部分ADHD症状评分、IQ、共病和既往用药信息。DX：0=对照，1=混合型，2=多动/冲动型，3=注意缺陷型（历史诊断编码）。量表存在站点差异与缺失，原始分数不能直接混用。

ADHD-200数据集无需申请，直接免费下载即可，这里提供一种简易的用 Cyberduck（赛博鸭子）下载的方式，就像打开文件夹一样，十分简便。

第一步：安装软件

打开Cyberduck 官网：https://cyberduck.io/download/#google_vignette，下载与你电脑系统对应的版本并安装。

第二步：新建书签，设置匿名 S3 连接

打开软件，进入 Bookmarks（书签）→ New Bookmark（新建书签）。勾选 Anonymous Login（匿名登录），再将协议切换成 Amazon S3，保留匿名状态。这是为兼容当时软件界面的绕行步骤；新版界面如果能直接选择 S3 匿名连接，可以直接设置。

Server填：s3.amazonaws.com

Nickname填：ADHD200，也可以自定义

Path填：fcp-indi/data/Projects/ADHD200/RawDataBIDS

Download Folder填：你自己本地电脑上留出的下载文件夹路径

第三步：进入目录下载

关闭设置窗口，直接双击刚建好的ADHD200书签。连接成功后，可看到 Brown、KKI、NYU、NeuroIMAGE、OHSU、Peking_1、Peking_2、Peking_3、Pittsburgh、WashU 等目录。Peking 的三个目录属于同一机构的不同批次。所有站点的原始BIDS格式的nii文件以及对应的量表数据都在这里了，想下载哪个，直接右键download即可。

补充：如果不想下原始数据，想直接下官方预处理好的版本，直接返回上一级路径，Outputs文件夹下面就是不同软件处理流程的数据，RawData和RawDataBIDS分别是原有格式的原始数据和BIDS格式的原始数据，freesurfer是reconall结构分割与皮层重建的结果。详细下载与数据集介绍可参考官网：https://preprocessed-connectomes-project.org/adhd200/index.html

2、数据集历史背景简述

ADHD-200 在 2011 年面向研究者公开，并通过 ADHD-200 Global Competition 推动研究者尝试利用影像和表型预测 ADHD 诊断。它借鉴了 FCP 汇集多中心既有数据的开放共享方式，经由 INDI 发布。详见论文：Milham MP, Fair D, Mennes M, Mostofsky SH. The ADHD-200 Consortium: A Model to Advance the Translational Potential of Neuroimaging in Clinical Neuroscience. Frontiers in Systems Neuroscience. 2012;6:62. DOI：10.3389/fnsys.2012.00062

竞赛之后，The Neuro Bureau 等研究者提供了多套预处理结果和衍生数据，减少各团队重复处理影像的成本，也方便比较分析方法。这是它持续成为研究基准的重要原因。了解完整发布样本、预处理过程及其使用价值可参考论文：Bellec P, et al. The Neuro Bureau ADHD-200 Preprocessed repository. NeuroImage. 2017;144:275–286. DOI：10.1016/j.neuroimage.2016.06.034

3、发文情况

ADHD200已经发布了很多年了，但仍然热度不减，近年来，也有不少高影响因子文献使用了ADHD200，这里列几篇：

有关ADHD内部异质性的研究：

Pan N, Long Y, Qin K, et al. Mapping ADHD Heterogeneity and Biotypes by Topological Deviations in Morphometric Similarity Networks.JAMA Psychiatry. 2026;83(5):478–490.DOI：10.1001/jamapsychiatry.2026.0001

有关影像基因结合的研究：

Shan, X., Xu, M., Zhi, D. et al. ADHD polygenic risk converges on reproducible neuroimaging signatures predicting core behavioral phenotypes. Nat. Mental Health (2026). https://doi.org/10.1038/s44220-026-00720-7

有关深度学习的研究：

Shi L, et al. Transformer-based structural connectivity networks for ADHD-related connectivity alterations.Communications Medicine. 2025;5:296.DOI：10.1038/s43856-025-01015-1

Cai L, et al. MM-GTUNets: Unified Multi-Modal Graph Deep Learning for Brain Disorders Prediction.IEEE Transactions on Medical Imaging. 2025;44(9):3705–3716.DOI：10.1109/TMI.2025.3556420

文章合集：