基于深度学习的多特征融合阿尔茨海默病分类模型：3D轻量化MBANet与异构特征融合网络的创新应用

为解决阿尔茨海默病（AD）早期诊断中单一特征提取方法局限性问题，研究人员提出一种结合3D轻量化多分支注意力网络（MBANet）与异构特征融合的深度学习模型。通过整合海马体的深度特征、纹理特征（MTWT和GLM提取）、体积及形态特征，该模型在EADC-ADNI数据集上实现93.39%的准确率、93.10% F1 -score和93.21% AUC，显著优于传统方法。该研究为AD的精准分类提供了多模态特征互补的新思路，具有重要临床意义。

　　

阿尔茨海默病（AD）作为一种不可逆的神经退行性疾病，全球患者已超5500万，预计2030年将达7800万例。目前临床诊断依赖专家经验，耗时耗力，且缺乏有效治疗手段。早期干预虽能延缓病情，但传统单特征（如体积、形状）分析方法灵敏度不足，而深度学习模型易受样本量限制导致过拟合。如何突破特征单一性、提升分类性能，成为AD辅助诊断的关键挑战。

针对这一问题，研究人员开发了一种融合深度学习和多特征的新型分类框架。研究首先构建3D轻量化多分支注意力网络（MBANet），结合深度可分离卷积、多分支特征和通道注意力机制，从海马体sMRI数据中提取384维深度特征；创新性地采用多树小波变换（MTWT）和灰度长度矩阵（GLM）提取三维多尺度纹理特征，并辅以传统体积和形态特征分析；最终通过异构特征融合网络实现多模态特征的降维与联合优化。

关键技术包括：1）基于EADC-ADNI数据集的78例海马体sMRI数据（41例正常认知/37例AD）；2）MBANet的轻量化设计（通道混洗、四级堆叠）；3）3D-MTWT纹理特征提取与嵌入式逻辑回归（Embedded-LR）特征选择；4）交叉熵损失函数与Adam优化器的联合训练策略。

研究结果显示：

1. 多尺度纹理特征提取：3D-MTWT结合GLM的方法优于传统小波变换（92.78% vs 86.89% ACC），其中SRLGE_R_30等纹理特征重要性评分最高（0.0054）。
2. MBANet性能验证：引入通道注意力（CAM）的MBANet分类准确率达82.78%，较无注意力模块（noAM）提升2.91%，且参数量仅为传统3D-CNN的1/3。
3. 异构特征融合优势：深度+纹理+体积形态特征的融合模型表现最优（93.39% ACC），较单特征（如纯纹理91.48%）或双特征组合（92.14%）显著提升，证实多特征互补性。

与现有方法对比，该模型在相同数据集上超越3D-DenseNet（12.14% ACC提升）和传统逻辑回归（21.89% ACC提升）。尤其值得注意的是，MBANet对海马体局部萎缩的敏感性较传统体积分析提高37%，更适用于早期AD检测。

这项研究的意义在于：

1. 方法论创新：首次将MBANet与三维多尺度纹理分析结合，解决了传统方法对海马体微观结构变化不敏感的问题。
2. 临床价值：93.21%的AUC表明模型可辅助医生实现高精度AD筛查，减轻诊断负担。
3. 技术普适性：轻量化设计使模型可在RTX 3060显卡（12GB显存）部署，适合资源受限场景。

未来工作可拓展至轻度认知障碍（MCI）分类，并探索多模态影像（如PET-fMRI）的融合应用。该成果发表于《Neuroscience Informatics》，为神经退行性疾病的智能诊断提供了重要技术参考。