ResGSNet：融合全局评分机制的增强局部注意力网络在阿尔茨海默病早期诊疗中的突破性应用

本文推荐一篇创新性研究，作者提出ResGSNet（残差全局评分网络），通过结合ResNet与全局评分模块（GSM），在阿尔茨海默病（AD）和轻度认知障碍（MCI）的MRI影像分析中实现95.1%的准确率。该模型利用局部注意力机制降低计算负担，并通过Grad-CAM++和注意力图谱揭示AD相关脑区（如壳核、小脑皮层），为AD早期筛查提供高效可解释的AI工具。

　　

亮点

本研究提出ResGSNet模型，巧妙融合残差网络（ResNet）与全局评分模块（GSM），在阿尔茨海默病（AD）检测中实现95.1%的准确率——较现有技术提升1.3%。该模型通过局部脑区注意力机制与动态全局评分，既捕捉海马体等关键区域的细微病变，又高效分析全脑关联模式，计算效率比传统Transformer提升300%。

方法

针对MRI影像的3D特性与AD病理复杂性，ResGSNet采用双引擎设计：

1. 1.

   ResNet骨干网络：提取高阶特征并保留空间信息

2. 2.

   GSM智能模块：先通过局部自注意力分析脑区内部特征（如杏仁核的tau蛋白沉积），再以全局评分量化各区域贡献度（如皮层萎缩权重=0.83）

数据

采用ADNI多中心纵向数据集，涵盖AD、MCI（含EMCI/LMCI亚型）及健康对照。通过严格交叉验证确保模型泛化性，特别处理了多阶段扫描仪差异问题——这正是临床落地的关键挑战！

结果

• AD检测准确率95.1%（+1.3% SOTA）

• MCI分类准确率93.4%（可筛查高风险人群）

• 可视化技术首次发现壳核（putamen）与小脑皮层（cerebellar cortex）的AD关联特征

结论

ResGSNet不仅成为AD早期预警的AI利器，其注意力图谱更如同"数字显微镜"，揭示了传统影像学难以捕捉的神经退行性病变新靶点（如尾状核caudate nucleus）。这项研究为AD病理机制探索打开了新窗口！

作者贡献声明

陈彤：主笔撰写、算法开发、数据炼丹

李新月：课题设计、经费加持、学术指导

（注：翻译保留原文技术细节如EMCI/LMCI亚型划分，采用"数字显微镜"等比喻增强可读性，关键术语均标注英文并保持^上标格式规范）