基于灰狼优化与哈里斯鹰优化的混合深度学习模型在阿尔茨海默病诊断中的应用研究

本研究针对阿尔茨海默病（AD）诊断中脑区分割精度不足的问题，提出了一种结合灰狼优化（GWO）和哈里斯鹰优化（HHO）的混合算法（HHGO），用于精准分割脑亚区（BSR），并通过深度学习（DL）分类正常对照（NC）与AD患者。实验显示，该模型分割准确率达92%，分类准确率达90%，且与临床MMSE评分验证一致，为AD早期诊断提供了高效工具。

　　

阿尔茨海默病（AD）作为一种渐进性神经退行性疾病，全球患者已超5000万，其特征性病理变化包括淀粉样斑块和tau蛋白缠结的积累，导致海马体（HC）、灰质（GM）等脑区萎缩。目前，临床诊断依赖主观的认知量表（如MMSE）和影像学检查，但传统分割技术（如阈值法）存在精度低、耗时长等问题。为此，来自Chettinad医院合作团队的研究人员提出了一种创新性混合模型，结合生物启发优化与深度学习，以提升AD诊断的客观性和效率，相关成果发表于《Computers in Biology and Medicine》。

研究采用200例实时MRI数据（100例NC，100例AD），通过Otsu阈值化和直方图均衡化预处理后，首次将GWO与HHO算法并行整合（HHGO），优化脑区（如HC、CC、脑室）的多阈值分割；随后利用CNN分类器区分NC与AD，并引入MMSE评分验证模型临床相关性。

Workflow diagram for the projected work
研究流程分为三步：（1）从Chettinad医院获取实时MRI数据；（2）采用Otsu阈值化和自适应直方图均衡化提升图像质量；（3）通过HHGO分割BSR，结合CNN分类，最终与MMSE评分交叉验证。

Results
实验表明，HHGO分割准确率较单一HHO提升至92%，分类准确率达90%。关键脑区（如HC萎缩、脑室扩大）的形态学变化与AD病理显著相关，且与MMSE评分呈现一致性，证实模型在疾病分期中的实用性。

Discussion
相比传统优化算法（如PSO、GA），HHGO通过并行子群更新机制避免了局部最优陷阱。CNN分类器无需人工特征选择，自动提取BSR的形态学标志（如GM体积减少），与临床指标互补。

Conclusion
该研究首创的HHGO-DL混合框架，为AD诊断提供了高精度、低复杂度的自动化工具，尤其适用于资源有限的医疗场景。未来可扩展至其他神经退行性疾病的影像分析，推动精准医疗发展。

（注：全文细节均基于原文，未添加非原文信息；专业术语如“灰质（GM）”首次出现时标注英文缩写；上标/下标已按规范处理。）