编辑推荐：
为解决现有阿尔茨海默病（AD）分类方法学习率高、模型稳定性差、泛化性不佳等问题，研究人员开展基于堆叠长短期记忆（SLSTM）结合双曲正割（Sech）激活函数的 AD 分类研究。结果显示该方法分类准确率高，对医学诊断意义重大。
阿尔茨海默病（Alzheimer’s Disease，AD），这一隐匿在老年群体中的 “记忆杀手”，正以惊人的速度蔓延，成为全球健康领域的严峻挑战。AD 是一种进行性神经退行性疾病，主要表现为记忆力减退、认知功能障碍，严重影响患者的生活质量，也给家庭和社会带来沉重负担。在当前的医疗研究中，AD 的早期精准诊断面临诸多困境。现有的诊断方法存在高学习率问题，这不仅影响模型的稳定性，还使得泛化性较差，进而降低了分类器的准确性。面对这些难题，为了提高 AD 诊断的准确性，推动医学领域在这一疾病诊断上的进步，研究人员开启了一场意义非凡的探索之旅。
本次研究由未知研究机构的研究人员开展，他们提出了基于双曲正割（Sech）激活函数的堆叠长短期记忆（Stacked Long Short-Term Memory，SLSTM）网络用于 AD 疾病分类，并发表在《Biomedical Signal Processing and Control》上。这一研究成果为 AD 的诊断带来了新的曙光，在医学领域有着重要意义，有望改善当前 AD 诊断的困境，提高诊断效率和准确性。
在研究方法上，研究人员主要运用了以下关键技术：
- 数据处理：选用阿尔茨海默病神经影像倡议（ADNI）数据库中的磁共振成像（MRI）和正电子发射断层扫描（PET）数据，这些数据涵盖了 AD、认知正常（Cognitively Normal，CN）和轻度认知障碍（Mild Cognitive Impairment，MCI）三类人群。对数据进行翻转操作来扩充图像数量，并采用最小 - 最大归一化方法处理扩充后的数据。
- 模型构建：构建 SLSTM - Sech 模型，其中 Sech 激活函数具有适中的斜率，能有效缓解深度网络中梯度消失的问题；SLSTM 的隐藏层则有助于更深入、准确地学习数据特征。
- 超参数调优：运用基于 Crisscross 策略的鹦鹉优化算法（Crisscross Strategy based Parrot Optimization Algorithm，CSPOA）对模型超参数进行调整，以提升模型性能。
- 特征融合：将手工制作的特征（如基于形状、纹理和强度的属性）与深度学习特征（MobileNetV2）相结合，增强模型的鲁棒性、特征多样性和分类准确性。
研究结果如下：
- 模型性能评估指标：通过在 MATLAB R2020b 上进行模拟实验，采用准确率（Accuracy）、特异性（Specificity）、精度（Precision）、灵敏度（Sensitivity）和 F1 分数（F1-score）等指标来评估模型性能。计算公式分别为：Accuracy = TP+TN+FP+FNTP+TN×100% ；Specificity = TN+FPTN×100% ；Precision = TP+FPTP×100% ；Sensitivity = TP+FNTP×100% ；F1-score 计算方式原文未完整给出 。
- 分类准确率：优化后的 SLSTM - Sech 分类器在不同类别分类中表现卓越。AD 与 CN 分类的准确率达到 99.18%，MCI 与 CN 分类的准确率为 99.52%，MCI 与 AD 分类的准确率为 99.17%，AD、CN 和 MCI 三类同时分类的准确率也有 98.25%，均优于多模态图像特征融合方法。
研究结论和讨论部分指出，该研究提出的 SLSTM - Sech 模型在 AD、CN 和 MCI 分类任务中展现出较高的准确率和鲁棒性，相比现有的基于卷积神经网络（CNN）和 Transformer 的模型更具优势，为多模态融合方法在医学诊断中的应用提供了新的思路。Sech 激活函数有效改善了梯度传播，降低了梯度消失风险，确保了模型更好的收敛性和稳定学习，这对于处理复杂的医学图像数据至关重要。研究采用的手工特征与深度学习特征相结合的方法，增强了模型对 MRI 和 PET 数据全局和局部特征的捕捉能力，提升了模型性能。CSPOA 算法提供了自适应搜索机制，优化了超参数搜索空间，增强了模型的泛化性，减少了次优参数选择的风险。这一研究成果为 AD 的早期精准诊断提供了有力的技术支持，在未来医学临床实践和研究中具有广阔的应用前景，有望推动阿尔茨海默病诊断技术的进一步发展，为更多患者及其家庭带来希望。
