利用VGG19和XGBoost提升阿尔茨海默病的诊断水平：一种基于神经影像学的方法

《Current Alzheimer Research》：Advancing Alzheimer's Disease Diagnosis Using VGG19 and XGBoost: A Neuroimaging-Based Method

阿尔茨海默病早期诊断研究提出VGG19-XGBoost混合模型，通过OASIS MRI数据集验证，实现99.6%测试准确率，有效解决传统诊断方法的主观性和单标记局限，为临床决策提供自动化工具，未来将整合多模态数据并扩大验证群体。

　　

摘要

引言：阿尔茨海默病（AD）是一种进行性的神经退行性疾病，目前全球有超过5500万人受到影响。传统的诊断方法通常依赖于主观的临床评估和孤立的生物标志物，这限制了它们的准确性和早期诊断的效果。随着全球阿尔茨海默病负担的加重，迫切需要使用神经影像数据来提高诊断精度的客观、自动化工具。

方法：本研究提出了一种新的诊断框架，结合了一个经过微调的VGG19深度卷积神经网络和极端梯度提升（XGBoost）分类器。该模型在OASIS MRI数据集（数据集2）上进行了训练和验证，该数据集经过手动平衡处理，以确保四个阿尔茨海默病阶段的类别代表性。VGG19模型在ImageNet上进行了预训练，并通过解冻其最后十层进行了微调。为了提高泛化能力，采用了数据增强策略，包括随机旋转和缩放。提取的特征通过XGBoost进行分类，同时考虑了类别权重、提前停止和自适应学习。模型性能通过准确率、精确度、召回率、F1分数和ROC-AUC进行评估。

结果：所提出的VGG19-XGBoost模型在平衡的OASIS数据集上的测试准确率为99.6%，平均精确度为1.00，召回率为0.99，F1分数为0.99。ROC曲线表明在不同阿尔茨海默病阶段之间具有较高的区分能力，证实了其强大的分类能力和鲁棒性。

讨论：深度特征提取与集成学习的结合显著优于传统的单一模型方法。这种混合模型有效缓解了类别不平衡和过拟合的问题，在所有痴呆症阶段都表现出稳定的性能。这些发现表明该方法在实际临床决策支持中具有可行性。

结论：本研究提出了一种基于神经影像的、性能优异的阿尔茨海默病自动化诊断工具。VGG19-XGBoost混合架构展示了卓越的准确性和鲁棒性，强调了其在实际应用中的潜力。未来的工作将集中在整合多模态数据，并在更大、更多样化的群体上验证该模型，以提高临床实用性和泛化能力。