基于机器学习和神经影像的阿尔茨海默病诊断优化：特征提取与分类模型的创新研究

本文针对阿尔茨海默病（AD）诊断的临床挑战，研究团队通过结合主成分分析（PCA）与支持向量机（SVM）、人工神经网络（ANN）等机器学习方法，开发了一套计算机辅助诊断（CAD）系统。该系统利用MRI和PET影像数据，在OASIS和ADNI数据集上分别取得91.9%和88.6%的准确率，为AD早期筛查提供了可扩展的技术方案。

　　

阿尔茨海默病（AD）作为最常见的神经退行性疾病，全球患者已超过5000万，但临床诊断仍依赖主观认知评估，存在误诊率高、晚期干预效果差等痛点。神经影像技术如磁共振成像（MRI）和正电子发射断层扫描（PET）虽能捕捉脑结构功能变化，但传统分析方法难以挖掘海量数据中的关键特征。在此背景下，研究者探索机器学习（ML）与神经影像结合的自动化诊断路径，试图突破AD早期精准识别的技术瓶颈。

研究团队开发了基于主成分分析（PCA）的特征降维框架，结合支持向量机（SVM）、人工神经网络（ANN）及前沿的视觉变换器（Vision Transformer）构建多模态分类系统。采用OASIS和ADNI两大公共数据集（样本量未明确），通过交叉验证评估模型性能。关键技术包括：1）PCA提取影像生物标志物；2）SVM采用径向基函数（RBF）核进行非线性分类；3）ANN设计为3层全连接架构；4）数据增强提升小样本泛化能力。

【Round 1 Review】
【General Comments】
研究初步证实PCA+SVM方案在AD分类中的有效性，但存在方法论单一（未比较深度学习模型）、数据集局限性（仅用OASIS）等问题。

【Specific Comments】
【Major Comments】
• 方法学创新不足：建议引入视觉变换器等前沿架构，与Li Y团队基于sMRI/DTI-MD的深度学习方法对比。
• 泛化能力存疑：ADNI数据包含轻度认知障碍（MCI）亚组，但未说明是否纳入分析，可能影响结论普适性。

【Minor Comments】
• 技术细节缺失：如SVM正则化参数、ANN神经元数量等超参数未公开。
• 结果表述模糊：需明确"good accuracy"具体数值（后文补充为91.9%）。

【Round 2 Review】
【General Comments】
扩展研究显示，数据增强后的视觉变换器模型准确率达93.2%，反超PCA/SVM方案（91.9%），但作者仍强调传统方法优势，结论与数据矛盾。

【Specific Comments】
【Major Comments】
• 性能对比不充分：未解释为何拒绝数据增强方案，且未与多模态（MRI+PET）基线模型对比。
• 临床转化价值存疑：ADNI数据中MCI人群的排除可能使模型仅适用于典型AD病例。

研究最终表明：1）传统PCA+SVM方案在有限数据下表现稳健；2）视觉变换器需大规模数据支持，但潜力显著；3）多模态融合未显现预期优势，可能与特征交互策略有关。该研究为AD诊断的算法选择提供了实证依据，但强调需在更大样本、更细分组（如MCI亚型）中验证模型临床适用性。