综述：阿尔茨海默病分类的计算与机器学习方法的最新进展：综述

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Recent Advances in Computational and Machine-Learning Approaches for Alzheimer’s Disease Classification: A Comprehensive Review

阿尔茨海默病（AD）诊断模型研究碎片化，系统综述分析2023-2025年91项研究，指出数据单一（依赖ADNI）、架构保守（CNN为主）、验证薄弱（内部为主），建议加强多源数据、外部验证及可解释AI整合。

　　

摘要

阿尔茨海默病（AD）是一个重大的全球健康挑战，然而计算研究的迅速发展导致了相关文献的碎片化，使得评估所提出模型的临床适用性变得困难。本系统评价通过对91篇经过同行评审的研究进行批判性分析，清晰地总结了近期（2023年1月至2025年3月）的文献。该分析从四个关键维度系统地比较了这些研究：（1）数据集和数据类型；（2）计算架构；（3）性能指标；（4）验证严谨性。比较结果揭示了几个关键趋势。分析表明，这些研究严重依赖阿尔茨海默病神经影像学计划（ADNI）数据集，同时多模态整合方面的挑战依然存在。在架构上，卷积神经网络（CNN）仍然是主导方法，尽管像视觉变换器（Vision Transformers）这样的先进模型开始被采用。虽然这些模型在简化的二元任务上的表现通常很高——准确率经常超过95%——但这些发现因验证方法的薄弱而大打折扣。存在一个关键的验证缺口，因为绝大多数研究仅依赖内部验证，很少有研究在独立数据集上测试他们的模型，且没有任何研究进行前瞻性临床评估。这种同质数据、简化任务和非稳健验证的结合限制了当前研究结果的适用性。因此，报告的性能与真正的临床泛化能力之间存在显著差距。为了弥合这一研究到实践的差距，未来的工作必须遵循更高的研究标准。这包括通过隐私保护的联邦学习等方法优先考虑多样化的数据集，强制进行外部验证，并将可解释人工智能（XAI）作为核心原则，以构建用于轻度认知障碍（MCI）和AD的可靠且具有临床价值的诊断工具。