基于深度学习与CT影像的阿尔茨海默病早期筛查新策略：从三分类挑战到HC与MCI/AD高效鉴别

《Journal of Medical and Biological Engineering》：Classification of HC, MCI, and AD Based on CT Using Deep Learning

本研究针对CT影像在阿尔茨海默病诊断中的应用空白，探索深度学习与三维CT结合的新路径。通过1088例样本验证，集成学习模型在HC与MCI/AD二分类中达到83.3%准确率，为低成本早期筛查提供新方案。

　　

通过融合计算机断层扫描（CT）与深度学习技术，这项研究开创性地探索了阿尔茨海默病（AD）谱系疾病的分类新范式。与价格昂贵的磁共振成像（MRI）和正电子发射断层扫描（PET）相比，CT具有经济高效的优势，但此前极少用于健康对照组（HC）、轻度认知障碍（MCI）和AD的鉴别诊断。

研究人员对1088名受试者（包括483例AD患者、314例MCI患者和291例HC）的三维CT影像进行了头骨剥离、空间标准化和脑部强度窗预处理。通过训练多个深度学习模型并采用集成学习策略，研究发现：虽然模型在HC/MCI/AD三分类任务中准确率仅为58.9%，但在区分MCI/AD与HC的二元分类中表现亮眼——准确率达83.3%，灵敏度为88.3%，特异性为73.3%。

实验结果表明，基于CT的深度学习模型虽不能作为HC/MCI/AD三向分类的精确诊断工具，但有望成为MCI/AD人群从健康人群中快速筛查的有效手段，为基层医疗机构提供低成本、高效率的早期神经退行性疾病筛查方案。