基于双流CNN与集成学习的MRI影像阿尔茨海默病分期混合诊断模型研究

本研究针对阿尔茨海默病(AD)早期诊断难题，提出了一种结合双流卷积神经网络(CNN)与集成学习的混合学习方法。通过并行CNN网络（Network 1/2）提取MRI影像多维度特征，并采用SMOTE数据增强和网格搜索优化的SVM/RF/KNN集成分类器，在Kaggle数据集上实现四阶段AD分类准确率达99.06%，为临床决策支持系统(DSS)开发提供了新思路。

　　

阿尔茨海默病(AD)作为全球最常见的神经退行性疾病，其病理特征表现为β-淀粉样蛋白斑块沉积和tau蛋白缠结，导致患者认知功能进行性衰退。尽管MRI等神经影像技术为诊断提供了重要依据，但早期阶段如极轻度痴呆(VMD)与轻度痴呆(MID)的鉴别仍存在挑战。传统诊断方法依赖医师经验，存在主观性强、耗时费力等问题，而现有计算机辅助系统往往受限于单网络特征提取不充分或样本不平衡导致的分类偏差。

针对这一临床痛点，伊朗大不里士大学电气与计算机工程学院生物系统建模实验室的Sepideh Zolfaghari团队在《Scientific Reports》发表研究，创新性地提出双流CNN与集成学习结合的混合框架。该研究通过并行设计的Network 1（含注意力机制与最大池化）和Network 2（采用平均池化）分别提取MRI影像的局部与全局特征，经特征融合后输入经网格搜索优化的SVM/RF/KNN集成分类器，最终在四分类任务中取得99.06%的突破性准确率，较单一网络提升2-4个百分点。

关键技术方法包括：1) 采用Kaggle公开数据集6400张T1加权MRI图像，通过SMOTE技术解决类别不平衡问题；2) 构建双流CNN架构分别采用不同池化策略和注意力层；3) 应用GridSearchCV优化SVM(C参数)、KNN(K值)和RF(树数量)超参数；4) 采用软投票集成策略融合三类分类器结果。

研究结果部分显示：

1. 性能对比：融合网络在测试集上F1-score显著提升，其中MOD类达100%，VMD和MID类分别达98.76%和99.44%。如图3所示，融合网络准确率(99.06%)明显优于单一网络(Network 1:95.16%, Network 2:97.97%)。

   

2. 注意力机制验证：移除注意力层后模型性能下降约2%，证实其对关键特征定位的有效性。如图7所示，显著性映射清晰显示模型关注海马体等AD相关脑区。

   

3. 时效性分析：推理阶段单样本处理时间<2秒，满足临床实时性需求。如表4所示，融合网络在四分类任务中各项指标均超过98%。

该研究的创新性体现在：1) 首次将轻量级双流CNN与软投票集成相结合；2) 通过异构网络设计实现特征多样性；3) 采用SMOTE和注意力机制协同解决数据不平衡与特征选择问题。尽管存在样本量有限（特别是MOD类仅64例）和2D切片级分析的局限，但该方法为开发低计算成本的AD辅助诊断工具提供了重要参考，未来结合3D体积分析和多模态数据有望进一步提升临床适用性。