基于机器学习与神经影像的阿尔茨海默病诊断优化：案例研究开发

本研究针对阿尔茨海默病（AD）诊断难题，开发了一种结合主成分分析（PCA）、支持向量机（SVM）和人工神经网络（ANN）的计算机辅助诊断系统。通过整合Open Access Series of Imaging Studies数据库的脑磁共振成像（MRI）和正电子发射断层扫描（PET）数据，模型在准确率、敏感性和特异性方面表现优异，为AD早期诊断提供了新方法。

　　

阿尔茨海默病（Alzheimer Disease, AD）作为最常见的神经退行性疾病，全球患者数量持续攀升，但早期诊断仍是临床重大挑战。传统诊断依赖认知量表和精神状态检查，主观性强且难以发现早期病理变化。随着神经影像技术的发展，脑磁共振成像（MRI）和正电子发射断层扫描（PET）为AD生物标志物检测提供了新视角，但海量影像数据的解读需要高效分析方法。

在此背景下，一项发表于《JMIRx Med》的研究探索了机器学习（Machine Learning, ML）与神经影像结合的诊断路径。研究人员从Open Access Series of Imaging Studies数据库获取脑部MRI和PET数据，采用主成分分析（Principal Component Analysis, PCA）进行特征降维，并构建支持向量机（Support Vector Machine, SVM）和人工神经网络（Artificial Neural Network, ANN）分类模型。通过对比两种算法的性能，系统实现了AD与非AD病例的自动化分类。

关键技术方法包括：1）从公开数据库获取标准化神经影像数据；2）使用PCA提取影像特征；3）分别训练SVM和ANN分类器；4）采用准确率、敏感性、特异性等指标评估模型性能。

研究结果显示：

• 模型性能：SVM和ANN在AD分类任务中均表现出较高准确率，其中ANN对复杂特征模式的识别更具优势。
• 特征分析：PCA有效降低了影像数据维度，关键生物标志物如海马体萎缩和淀粉样蛋白沉积被识别为重要分类特征。
• 方法对比：与单一模态分析相比，多模态（MRI+PET）数据融合显著提升分类性能。

讨论部分指出，该研究的创新性在于：1）系统评估了PCA与不同ML算法的组合效能；2）验证了多模态神经影像在AD诊断中的互补价值。但审稿人建议补充超参数调优细节，并增加F₁
-score、AUC-ROC等指标以完善评估体系。

这项研究为AD的客观诊断提供了可扩展的技术框架，其方法论对帕金森病等其它神经退行性疾病的早期筛查具有借鉴意义。未来工作可探索深度学习模型（如卷积神经网络）对原始影像的端到端分析，进一步突破特征工程的局限性。