一种用于阿尔茨海默病早期及多阶段检测的深层残差注意力–循环模型（A Deep Residual Attention–Recurrent Model for Early and Multi-stage Alzheimer's Disease Detection）

《Frontiers in Aging Neuroscience》：A deep residual attention–Recurrent model for early and multi-stage Alzheimer's disease detection

　　

引言： 阿尔茨海默病（Alzheimer's Disease, AD）是一种进行性神经退行性疾病，需准确早期诊断。深度学习方法在基于磁共振成像（Magnetic Resonance Imaging, MRI）的AD自动分类中显示出重要潜力。 方法： 研究人员开发了一种集成ResNet152V2、卷积块注意力模块（Convolutional Block Attention Module, CBAM）和双向门控循环单元（Bidirectional Gated Recurrent Unit, Bi-GRU）的混合深度学习框架，用于正常认知（Normal Cognition, NC）、轻度认知障碍（Mild Cognitive Impairment, MCI）和阿尔茨海默病（AD）的三分类。该模型使用2,100例ADNI（Alzheimer's Disease Neuroimaging Initiative）受试者进行训练，并使用900例OASIS（Open Access Series of Imaging Studies）受试者进行外部验证。 结果： 所提框架在ADNI数据集上达到94.5%的分类准确率和95.0%的AUC（Area Under the Curve），在OASIS数据集上达到92.8%的准确率。对比分析显示较基线模型提升5.2–7.0%。消融实验证实了CBAM和Bi-GRU对整体性能的贡献。 讨论： 深层残差特征提取、基于注意力的特征精炼与序列建模的整合有效捕获了疾病相关的解剖模式。结果表明，该框架可支持自动化多阶段AD分类，并为未来计算机辅助诊断系统奠定基础。

论文解读：基于ResNet152V₂-CBAM-Bi-GRU混合模型的阿尔茨海默病MRI早期及多阶段分类研究

阿尔茨海默病（Alzheimer's Disease, AD）占痴呆病例的60–70%，其进展经历正常认知（Normal Cognition, NC）→轻度认知障碍（Mild Cognitive Impairment, MCI）→AD三个阶段，其中MCI是干预的关键窗口期。目前临床神经心理学评估敏感度不足，传统手工特征机器学习难以捕捉高维神经影像的非线性空间特征；现有基于卷积神经网络（Convolutional Neural Network, CNN）的方法多将MRI切片独立处理，忽略了切片间的体积连续性与层间时序依赖关系，且缺乏针对疾病相关脑区（如海马体）的注意力机制聚焦。为此，研究人员提出一种融合深层残差学习、通道–空间注意力精炼及双向序列建模的混合框架，旨在同时捕获AD相关的细微解剖结构与跨切片渐进性退变模式，实现NC/MCI/AD的三分类并提高模型泛化能力与可解释性。该论文发表于《Frontiers in Aging Neuroscience》。

研究人员采用的主要关键技术方法如下：使用公开数据集ADNI（2,100例，NC/MCI/AD各700例）作训练与内部验证，OASIS（900例）作外部验证；MRI预处理含去颅（skull stripping）、偏置场校正（N4ITK）、空间标准化至MNI模板、强度归一化，从每例体积中提取大脑中央21层轴位切片转为224×224×3 RGB输入；构建2.5D（伪三维）学习流程——单切片经ResNet152V₂提取空间特征图（7×7×2048），经CBAM进行通道与空间双重注意力精炼，全局平均池化得2048维特征向量并按切片顺序排列，输入双层Bi-GRU（256前向+256后向单元）建模层间解剖连续性，最终经全连接层（512→256→128）与Softmax输出三分类概率；训练采用加权分类交叉熵、Adam优化器（学习率1×10^?4，ReduceLROnPlateau调度）、早停（patience=20）、梯度累积（有效batch size=64）、数据增强（±15°旋转、水平翻转、高斯噪声），按被试（subject-level）分层划分训练(70%)/验证(15%)/测试(15%)，5折交叉验证重复3次随机种子，并以准确率、精确率、召回率、F1值、AUC及配对t检验、McNemar检验、Bootstrap置信区间进行统计验证。

4 结果（Results）

• •
  4.1 偏差与公平性分析（Bias and fairness analysis）：按年龄组（＜65、65–75、75–85、＞85）、性别及族裔分组测试，各亚组准确率波动＜2%（93.8%–94.7%），表明模型受人口学偏倚影响小，具备跨人群稳定性。
• •
  4.2 消融实验（Ablation study）：单独加CBAM（90.3%）或Bi-GRU（91.8%）均优于基线ResNet152V₂（87.5%），三者结合（Proposed）测试准确率达94.5%、验证损失降至0.20，证实残差提取+注意力精炼+序列建模具协同增益（+7.0% vs基线）。
• •
  4.3 基准对比（Benchmark evaluation）：在ADNI与OASIS上，所提模型分别以94.5%、92.8%准确率及95.0% AUC优于同期Vision Transformer(ViT)+Bi-LSTM（93.2%/91.5%）、Swin Transformer（92.8%/90.9%）、3D-CNN+Transformer（91.2%/88.9%）等方法，参数量80.6M，训练时间190分钟，在计算效率与精度间取得较好平衡。
• •
  4.4 交叉验证策略（Cross validation strategy）：5折分层交叉验证（按患者ID防数据泄漏，重复3次随机种子），报告均值±标准差，确保指标稳健性。
• •
  4.5 模型可解释性与可视化（Model interpretability and visual explanations）：Grad-CAM（Gradient-weighted Class Activation Mapping）热图显示模型关注区域集中于海马体、内嗅皮层等AD病理相关脑区，与临床知识相符。
• •
  4.6 统计验证（Statistical validation）：配对t检验显示Proposed显著优于ResNet152V₂（p＜0.001, Cohen's d=1.98）及EfficientNet-B5+Attention（p=0.013）；McNemar检验χ²=13.56（p＜0.001）表明系统性修正基线错误；1000次Bootstrap得出准确率95%CI [93.2%, 95.8%]；跨数据集独立样本t检验无显著差异（p=0.226），证实外推稳定性。
• •
  4.7 性能指标评估（Performance evaluation metrics）：三类别F1值分别为NC 95.2%、MCI 93.1%、AD 94.5%，总体准确率94.5±0.9%，AUC 96.5±0.6%，表明模型对各阶段判别均衡且可靠。

讨论与结论（Discussion & Conclusion）：

研究人员指出，本框架的创新在于先于序列建模施加CBAM注意力精炼，使Bi-GRU能在已强化的疾病相关特征上学习时间依赖，优于传统CNN-RNN串联或独立切片处理。局限性包括2.5D表征弱于全3D卷积对体积信息的捕获、约81M参数量限制低资源场景直接部署、验证限于公开数据库需多中心前瞻性队列进一步检验。结论为：所提ResNet152V₂–CBAM–Bi-GRU混合深度学习框架利用结构MRI实现了NC、MCI与AD的高精度三分类（ADNI 94.5%，OASIS 92.8%），Grad-CAM证实其关注临床相关脑区，统计检验支持性能显著提升与外推稳健性，为自动化AD辅助诊断提供了准确、可解释且具推广潜力的新范式；未来工作将探索3D全体积输入、多模态（PET/基因）融合、模型轻量化（剪枝/量化/知识蒸馏）及可解释AI深化以推动临床落地。