《Frontiers in Aging Neuroscience》：Improved YOLOv8 for early detection of Alzheimer’s disease from magnetic resonance imaging
编辑推荐：
背景：阿尔茨海默病（AD）是一种危及生命的疾病，全球影响4700万人，其中13%年龄超过65岁。尽管在药物开发方面持续努力，AD的发病率仍在增加，预计未来二十年将新增1.31亿例。延迟诊断和未能揭示AD的神经病理通路导致了AD发病率和后遗症的上升。
方法：
背景：阿尔茨海默病（AD）是一种危及生命的疾病，全球影响4700万人，其中13%年龄超过65岁。尽管在药物开发方面持续努力，AD的发病率仍在增加，预计未来二十年将新增1.31亿例。延迟诊断和未能揭示AD的神经病理通路导致了AD发病率和后遗症的上升。
方法：在此，研究人员通过开发一个基于YOLOv8的模型来解决这些挑战，用于AD的早期诊断。研究人员通过用RepVGG（重参数化VGG）模块替换CBS卷积模块，并在YOLOv8网络末端附加空间金字塔池化增强ELAN（SPPELAN）模块和简单注意力模块（SimAM）来改进YOLOv8。此外，研究人员通过在YOLOv8颈部引入C2f_EMA模块来改进模型。
结果：研究人员的结果表明，与基准YOLOv8相比，研究人员的模型在AD检测性能上有显著提升。基准YOLOv8的性能指标为0.794准确率、0.876召回率、0.881 mAP50和0.875 mAP50:95，而研究人员的模型表现出改进的性能：0.816准确率、0.877召回率、0.904 mAP50和0.898 mAP50:95，分别提高了2.77%、0.11%、2.61%和2.62%。这些发现提供了在AD早期阶段实现有效诊断的可能性，这可能有助于早期个性化干预，并进一步帮助研究人员进行深入检查以理解AD的早期机制。
阿尔茨海默病（AD）是一种威胁生命的神经退行性疾病，全球约4700万人受影响，其中13%年龄超过65岁。尽管药物开发持续进行，AD发病率仍在上升，预计未来二十年新增1.31亿例。延迟诊断和未能充分理解AD的神经病理通路是导致发病率和后遗症增加的主要原因。目前，临床诊断通常发生在疾病已进展至轻度或晚期阶段，此时大量分子和细胞机制已受损，使得个性化机制研究变得困难。此外，AD的病理机制远比传统认知复杂，除淀粉样蛋白β（Aβ）和tau蛋白外，慢性神经炎症、免疫系统异常、小胶质细胞和星形胶质细胞功能障碍、肠脑轴改变等多因素驱动，以及新的基因关联（如ABCA7、BIN1、CD33）和外周感染诱导的淀粉样蛋白产生等新证据，挑战了传统单一病因假说。早期AD伴随脑萎缩，尤其是内侧颞叶（包括杏仁核、前海马、内嗅皮层）的细微变化，但常规方法难以检测。现有机器学习模型（如卷积神经网络（CNN））多将AD检测视为分类问题或两阶段检测问题，计算成本高且性能不稳定。因此，开发高效的单阶段检测模型对于早期AD诊断至关重要。本研究旨在通过改进YOLOv8架构，提出一个用于磁共振成像（MRI）早期AD检测的新型模型，以期实现更准确、快速的诊断，为早期干预提供工具。该论文发表在《Frontiers in Aging Neuroscience》。
研究人员使用公开的MRI数据库（universe.roboflow.com）中的1592张图像，分为非痴呆、轻度痴呆、中度痴呆和重度痴呆四类。关键技术方法包括：在骨干网络中用RepVGG（重参数化VGG）模块替换CBS卷积模块，以增强训练精度和推理速度；用SPPELAN（空间金字塔池化增强ELAN）模块替换SPPF，以提升多尺度特征融合；在骨干末端添加SimAM（简单注意力模块），以聚焦关键特征；在颈部网络中引入C2f_EMA模块（融合C2f与高效多尺度注意力EMA），以增强对微小病灶的敏感性。训练环境为Linux服务器，配备NVIDIA GeForce RTX 4090 GPU（24GB显存），使用Python 3.9、PyTorch 2.5.1，batch size为64，训练400个epoch，学习率0.01，余弦衰减。评估指标包括精确率（Precision）、召回率（Recall）、平均精度（mAP50和mAP50:95）。
**3.1 Performance by modifications**
通过逐步替换模块的消融实验，研究人员发现：单独用RepVGG替换CBS使mAP50:95从87.5%提升至88.1%（提升0.6%）；单独引入SimAM使mAP50:95提升至88.2%（提升0.7%）；单独引入SPPELAN对性能无显著影响（87.5% vs 87.8%）；单独用C2f_EMA替换C2f使mAP50:95提升至88.9%（提升1.4%）。当所有改进模块（RepVGG、SimAM、SPPELAN、C2f_EMA）同时应用时，模型性能达到最优：mAP50从88.1%提升至90.4%，mAP50:95从87.5%提升至89.8%，分别提升2.3%和2.3%。此外，召回率在单独使用RepVGG时最高（0.910），精确率在单独使用C2f_EMA时最高（0.862）。
**3.2 Performance by models**
将改进模型（YOLOv8-AD）与其他YOLO版本（YOLOv5、YOLOv6、标准YOLOv8）比较，结果显示：YOLOv8-AD的mAP50为90.4%，mAP50:95为89.8%，均优于YOLOv5（88.1%和87.7%）、YOLOv6（85.8%和85.3%）和标准YOLOv8（88.1%和87.5%）。参数数量方面，YOLOv8-AD为3,231,644，略高于标准YOLOv8（3,006,428），但性能提升显著。
讨论部分总结了各改进模块的作用机制：RepVGG通过多分支训练和重参数化推理，提升特征提取能力和推理速度；SimAM通过空间和通道注意力动态选择相关特征，增强对微小病灶的捕捉能力；C2f_EMA通过高效多尺度注意力机制，提升对多尺度特征的融合，减少漏检和误检。组合使用这些模块可产生协同效应，实现比单一技术更全面的性能提升。此外，研究指出YOLO模型已从传统计算机视觉任务扩展到医学图像分析，包括AD诊断、肿瘤检测等。局限性方面，本研究仅使用单模态MRI数据，未来需整合多模态信息以进一步提高诊断准确性。
研究结论部分翻译如下：
研究人员得出结论，通过模型架构设计的进步以及增强有效训练的机制，以及特定的数据提取和融合，可以实现改善复杂疾病（如阿尔茨海默病）早期检测的目标。研究人员特别看到YOLOv8在这些任务中的巨大潜力。研究人员观察到，在骨干网络中通过RepVGG、SPPELAN和SimAM的改进显著且独立地提升了模型性能，这由mAP50和mAP50:95%指标所证明。研究人员的发现还表明，通过在颈部网络中进一步整合注意力机制，即用C2f_EMA替换C2f，可以协同提升模型的整体性能，使mAP50从标准YOLOv8的88.10%提高到约90.40%。综合来看，这些发现提供了希望，即对模型的进一步改进可以使其达到最大效率，从而使其能够部署为早期AD的诊断工具，这对于启动早期干预至关重要。
