基于跨尺度特征感知与自注意力网络的阿尔茨海默病认知衰退评估模型X-FASNet

本文提出了一种创新的跨尺度特征感知自注意力网络(X-FASNet)，通过双路径多尺度特征提取模块和新型交叉尺度特征感知机制，显著提升了阿尔茨海默病(AD)早期诊断的准确性。该模型在DPC-SF数据集上达到93.7%准确率和0.973 F1值，较传统方法提升10.8个百分点，其多尺度特征融合能力和长程依赖建模为神经退行性疾病评估提供了有效计算框架。

　　

1 引言

阿尔茨海默病(AD)作为全球最常见的神经退行性疾病，其病理特征包括β淀粉样蛋白沉积、tau蛋白病变和神经炎症的复杂相互作用。临床进展通常经历认知正常(CN)、轻度认知障碍(MCI)和完全痴呆(AD)三个阶段，其中MCI是干预治疗的关键窗口期。当前基于神经心理学评估(如MMSE、ADAS-Cog)的诊断方法对临床前阶段敏感性有限，而脑脊液生物标志物检测又具有侵入性且成本高昂。

结构MRI等神经影像模态已成为识别早期神经退行性改变模式的关键工具。深度学习架构在解码AD复杂神经影像特征方面展现出显著优势，但现有方法存在三大局限：跨尺度上下文信息整合不足、长程依赖建模能力有限，以及对神经解剖学相关区域的关注不充分。

2 相关研究

传统机器学习方法依赖人工特征提取，存在泛化能力不足的问题。深度学习方法如DenseNet、ResNet等虽能自动提取深层特征，但仍受限于卷积操作的局部感受野。近期研究尝试通过三维多尺度CNN或跨模态特征转换提升性能，但在多尺度特征建模和长程依赖捕获方面仍有欠缺。

3 X-FASNet架构

3.1 方法概述

X-FASNet创新性地结合了双路径多尺度特征提取和交叉尺度特征感知自注意力机制。首先采用5×5和7×7并行的卷积路径捕获不同尺度特征，通过深度可分离卷积降低参数量；随后设计的交叉尺度特征感知模块包含特征融合和自注意力两个分支，其中RepVGG块通过结构重参数化增强特征表达能力。

3.2 多尺度特征提取

通过ReLU6激活和批归一化(BN)处理双路径特征：

X¹=ReLU6(BN(Conv_5×5(X)))

X²=ReLU6(BN(Conv_7×7(X)))

采用深度可分离卷积(DWConv)优化计算：

X³=Conv_1×1(DWConv_5×5(Conv_1×1(X¹)))

3.3 交叉尺度特征感知

创新性地在自注意力机制中引入深度卷积降维：

K'=DWConv(LN(X⁹))×W_K

V'=DWConv(LN(X⁹))×W_V

多头注意力计算加入偏置项B_V增强学习能力：

LSA(Q,K',V')=Softmax((QK'^T/√d_k)+B_V)V'

4 实验结果

在KAC数据集上，X-FASNet二分类任务准确率达84.31%，多分类任务79.24%，显著优于DenseNet和ResNet系列。DPC-Pre数据集达到95.5%准确率，AUC值0.997；在更复杂的DPC-SF三分类任务中仍保持93.7%准确率。

5 讨论

Grad-CAM可视化显示模型注意力区域与临床关注的颞叶内侧、联合皮层等AD病理区域高度吻合。相比单分支结构，完整模型在假阳性率降低37%的同时，对海马萎缩等细微变化的检测灵敏度提升28%。当前局限在于训练数据来源单一，未来将探索多模态(PET/fMRI)数据融合和跨中心验证。

6 结论

X-FASNet通过系统化的层次表征学习，实现了对AD早期神经解剖学变化的精准检测。其创新的跨尺度交互机制为神经退行性疾病评估提供了可解释性强、临床相关性高的计算框架，在准确率和病理模式识别方面均达到当前最优水平。