基于改进粒子群优化算法的SVM模型在阿尔茨海默病MRI诊断中的特征选择优化研究

本研究针对阿尔茨海默病(AD)早期诊断中灰质(GM)和白质(WM)特征选择难题，提出融合对立拉丁方采样初始化(OL)与动态惯性权重(D)的OLDPSO算法，优化支持向量机(SVM)分类性能。通过ADNI数据集验证，模型在AD/NC分类准确率达99.11%，并首次揭示GM+WM联合特征对MCI亚型分型的显著优势，为MRI多模态诊断工具开发提供新思路。

　　

当全球老龄化浪潮席卷而来，阿尔茨海默病(AD)犹如无形的记忆窃贼，每年从数百万家庭夺走亲人的认知能力。 这种神经退行性疾病以神经元丢失为特征，导致进行性认知功能衰退。尽管磁共振成像(MRI)能非侵入性捕捉脑结构变化，但如何从复杂的灰质(GM)和白质(WM)体积数据中提取关键特征，仍是早期诊断的重大挑战。更棘手的是，作为AD前驱期的轻度认知障碍(MCI)存在稳定型(MCI-NC)和转化型(MCI-C)亚型，其细微的影像学差异使得传统方法难以准确区分。

杭州电子科技大学联合温州理工学院等机构的研究团队在《Scientific Reports》发表创新成果，提出OLDPSO-SVM模型。这项研究通过改进粒子群优化(PSO)算法，将对立学习机制与拉丁方采样策略相结合，并引入动态惯性权重调节，显著提升了特征选择效率。结果显示，该模型在六类分类任务中表现卓越，特别是GM+WM联合特征的诊断准确率全面超越单模态特征，为AD早期干预提供了新工具。

研究采用三大关键技术：1)基于ADNI数据库的414例基线MRI数据(含AD/MCI-C/MCI-NC/NC四组)；2)CAT12工具箱进行VBM分析，通过AAL模板提取90个ROI的180维GM/WM特征；3)创新OLDPSO算法优化特征选择，采用10折交叉验证评估性能。

改进算法设计
通过融合对立拉丁方采样初始化(OL)与动态惯性权重(D)，OLDPSO在CEC2017基准测试中展现出显著优势。如图7所示，该算法在F5、F9等复杂函数中收敛速度最快，且箱线图(图8)显示其解的质量稳定性优于ALCPSO等六种改进PSO变体。视觉分析(图9)更直观展示OLDPSO粒子能紧密聚集在最优解周围。

分类性能突破
如表11所示，针对不同分类任务优选转换函数(TF)后，模型在AD vs. NC任务中V3型TF准确率达99.11±1.88%。特别值得注意的是，GM+WM组合在MCI亚型区分中展现独特价值：MCI-NC vs. MCI-C分类准确率88.38%，较单模态提升2-5个百分点(表12)。图16的误差带分析进一步证实，双模态特征在所有评估指标中均具有更小的标准差。

关键脑区发现
特征选择结果(图19-20)揭示：海马体(R37/R38)在AD诊断中权重最高，这与该区域早期tau蛋白沉积的病理特征吻合；而MCI亚型区分则依赖颞极(R88)和楔前叶(R67)等高级认知相关脑区。这些发现为理解AD进展的神经机制提供了新视角。

这项研究通过算法创新实现了AD诊断技术的三重突破：首先，OLDPSO算法解决了高维特征选择中的早熟收敛问题；其次，GM+WM多模态策略提高了MCI亚型鉴别的临床实用性；最后，关键脑区定位结果为生物标志物研究指明了方向。正如讨论部分指出，该模型未来可拓展至功能MRI等多模态数据融合，其算法框架也有望迁移至其他神经退行性疾病的早期诊断领域。在精准医疗时代，这种融合智能算法与影像组学的诊断范式，将为对抗认知衰退提供新的武器。