《Frontiers in Neuroscience》：Convolutional neural networks in brain disease diagnosis: a unified review of Alzheimer's, Parkinson's, and brain tumor classification
神经系统和神经肿瘤学脑疾病，如阿尔茨海默病（AD）、帕金森病（PD）和脑肿瘤（brain tumor），由于重叠的症状和传统成像技术的局限性，诊断具有挑战性。磁共振成像（MRI）与卷积神经网络（CNN）相结合已成为一种强大的方法，实现了自动化和高精度的检测与分期。本综述批判性地整合了CNN架构的最新进展，例如用于基于MRI诊断这些疾病的混合模型（hybrid model）、注意力机制（attention mechanism）和3D卷积神经网络（3D CNN）。进一步审视了各项研究中的预处理方法、数据集和性能指标，重点关注基于Transformer的模型（transformer-based model）和轻量级架构（lightweight architecture）等创新。尽管CNN显示出令人印象深刻的准确性，但在泛化性（generalizability）、可解释性（interpretability）和临床整合（clinical integration）方面仍存在问题。本综述强调了多模态数据融合（multimodal data fusion）、可解释人工智能（XAI）和真实世界验证（real-world validation）的必要性，以缩小研究与临床实践之间的差距。通过明确未来方向，本综述旨在指导开发稳健、可扩展的神经诊断系统，以实现早期干预和更好的患者预后。
1 Introduction
神经系统和神经肿瘤学脑疾病，包括阿尔茨海默病（AD）、帕金森病（PD）和脑肿瘤，因症状重叠及传统成像技术限制而难以诊断。磁共振成像（MRI）结合卷积神经网络（CNN）可实现自动化高精度检测与分期。本综述统一比较了CNN方法，分析架构、性能及局限性，并指出未来方向。研究选择AD、PD和脑肿瘤基于其高患病率、死亡率及临床相关性。系统综述遵循PRISMA指南，检索2020年1月至2025年3月文献，最终纳入98项研究，其中60项用于详细比较分析。方法论质量评估采用五项标准：独立外部验证、患者级数据分离、可解释人工智能（XAI）、统计验证和计算效率报告。
2 Deep learning architectures for neuroimaging analysis
CNN是医学成像中深度学习（DL）的基础，通过卷积滤波器自动学习空间层次特征，包括卷积层、非线性激活（ReLU）、池化层和全连接层。3D CNN扩展处理体积数据如MRI扫描。迁移学习（TL）通过微调预训练模型解决数据短缺。常见架构包括VGG（均一3×3卷积核）、EfficientNet（复合缩放）、Inception（多尺度并行卷积）、ResNet（残差连接）、DenseNet（密集连接）、Xception（深度可分离卷积）、U-Net（编码器-解码器用于分割）、MobileNet（轻量级）。Transformer通过自注意力机制捕捉全局依赖，与CNN混合（如CNN-Transformer、CNN-RNN、CNN-GNN）用于空间-时间特征学习。
2.1 Performance measures
主要性能指标包括准确率（Acc）、精确率（Prec）、召回率（Rec）和F1分数（F1
1），用于评估诊断模型分类效果，尤其在类别不平衡情况下。
3 CNN in AD diagnosis and classification
3.1 Datasets
常用数据集包括阿尔茨海默病神经影像学倡议（ADNI）、Kaggle AD数据集（4类）、开放获取成像研究系列（OASIS）和AD5C，包含MRI、PET、临床及遗传数据，分类类别从2类到5类。
3.2 Preprocessing and data augmentation
预处理技术包括图像转换、重采样、去颅骨、归一化、偏置场校正、滤波和对比度增强，增强策略如旋转、翻转、SMOTE和ADASYN以减轻过拟合和类别不平衡。
3.3 Segmentation
分割隔离感兴趣区域如海马体，使用K-means聚类、形态学操作及U-Net模型进行深度学习特征提取。
3.4 CNN models
采用多种CNN架构，包括AlexNet、VGG16、ResNet、DenseNet、EfficientNet、Inception、Xception，以及混合模型如CNN-LSTM、CNN-Transformer、集成方法和轻量级架构如FiboNeXt，注意力机制和空间滤波策略增强特征表示。
3.5 Key findings
混合和集成模型（如ALZENET、ResViT）优于传统CNN，多模态MRI-PET框架提升性能但增加复杂度。预处理和增强改善泛化性，轻量级架构降低计算开销。Transformer和注意力机制更好捕捉早期结构变化。但高准确率需谨慎解释，因多数研究依赖基准数据集（ADNI），外部验证不足，存在过拟合和数据集偏倚。
3.6 Limitations
模型依赖基准数据集，早期阶段（如MCI）区分困难，多模态和混合CNN框架需要大量预处理和计算资源，外部验证和可解释性有限。
4 CNN in PD diagnosis and classification
4.1 Datasets
帕金森进展标志物倡议（PPMI）是最常用数据集，其他包括ADNI、UK Biobank、Tao Wu及本地数据，多模态整合MRI、fMRI、DTI、SPECT和遗传信息。
4.2 Preprocessing and data augmentation
预处理包括DICOM转NIfTI、去颅骨、MNI配准、归一化、滤波、平滑和去噪，增强策略如旋转、翻转、对比度增强和自适应滤波。
4.3 Segmentation
使用Dense-UNet解决分辨率损失，通过密集连接增强信息流；混合AttAggUNet结合注意力和聚合特征融合策略。
4.4 CNN models
模型从2D/3D CNN（如AlexNet）发展到混合注意力架构（如AAFP-DL、ADeepSCHN、AttentionLUNet）、特征解耦网络（FE-DcCNN）、密集残差网络（Res-DenseNet、AMEF-Net）及集成方法（VGG16、ResNet、EfficientNet），轻量级模型如Heuron IPD和PIDGN。
4.5 Key findings
注意力机制和迁移学习提升特征提取和分类稳健性，多模态框架（MRI、fMRI、DTI、SPECT、基因）改善诊断能力但增加预处理复杂度。可解释AI（SHAP、Grad-CAM、Jacobian映射）增强临床相关性。但高准确率多基于有限或单源数据集（PPMI），外部验证不足，存在过拟合和偏倚。
4.6 Limitations
小样本、扫描仪变异性、异质性采集协议及外部验证缺乏，多数模型仅二分类（PD/HC），难以捕捉疾病进展或区分相关神经退行性疾病，计算负担和可解释性限制临床转化。
5 CNN in brain tumor diagnosis and classification
5.1 Datasets
常用数据集包括Kaggle BT（7023张MRI，4类）、FigShare（3064张，3类）、Br35H和BraTS，均为单模态MRI。
5.2 Preprocessing and data augmentation
预处理包括灰度转换、ROI提取/裁剪、重采样、归一化、滤波和噪声降低，增强策略如对比度增强、直方图均衡化、旋转、翻转、缩放和平移。
5.3 Segmentation
使用U-Net及其变体（En-DeNet、NSAS-Net）进行分割，结合EfficientNet编码器、Dice损失和Hausdorff距离，以及多尺度自注意力机制。
5.4 CNN models
模型包括传统3层CNN、InceptionV3、VGG16、VGG19、EfficientNetB4、SE-ResNet50、堆叠自编码器（SAE）、轻量级CNN（GliomaCNN、CancerNet）、混合架构（CNN-LSTM、CNNRes-BRNet）、YOLO变体（YOLO NAS、YOLO-TumorNet）及ParMamba（卷积注意力+通道增强）。
5.5 Key findings
迁移学习（VGG16、InceptionV3、EfficientNet、DenseNet）优于简单CNN，混合和集成框架（CNN-LSTM、注意力GRU）提升稳健性。轻量级模型（GliomaCNN、CancerNet）在较低计算复杂度下实现竞争性性能。YOLO和ParMamba改进多尺度特征提取和小肿瘤检测。可解释AI（SHAP、Grad-CAM++）增强临床信任。但高准确率多基于单源基准数据集，外部验证有限，存在过拟合和偏倚。
5.6 Limitations
单源数据集限制跨机构泛化性，肿瘤异质性、多类重叠、MRI采集变异性及精确边界分割影响稳健性，预处理和增强增加过拟合风险，计算密集性和可解释性不足阻碍临床部署。
6 Cross-disease comparison and emerging insights
跨疾病比较显示共同模式：常用数据集（ADNI、PPMI、Kaggle等）、MRI模态、CNN架构（ResNet、DenseNet、EfficientNet等）、验证策略（训练-测试分割、交叉验证）。方法论质量评估表明，仅少数研究实施独立外部验证（AD 15%、PD 20%、BT 10%）、患者级数据分离（AD 20%、PD 40%、BT 50%）、可解释AI（各约10-15%）、统计验证（AD 10%、PD 25%、BT 0%）和计算效率报告（AD 10%明确、PD 80%部分、BT 20%明确）。计算基准显示轻量级架构资源需求低，但多数研究未报告部署导向指标。
6.1 Validation concerns and risk of inflated performance
多项研究报告准确率超过98-99%，但多基于小规模或单源数据集（ADNI、PPMI、Kaggle等），缺乏多中心或前瞻性验证。数据增强（SMOTE、ADASYN）和切片级分析可能引入合成数据偏倚和过拟合风险。切片级而非患者级分割可能导致训练-测试泄漏，使高准确率部分反映数据集特定优化，而非真实临床泛化性。
7 Future directions
7.1 Data acquisition and preprocessing foundations
未来研究应验证模型于更大、多样化的多中心临床数据集，整合多模态（MRI、PET、CT、可穿戴传感器）及临床、认知、遗传信息，并通过数据平衡和超参数调优增强泛化性。
7.2 Model design and architectural innovation
新架构如混合CNN-Transformer、nnUNet、集成学习、联邦学习和迁移学习（MedicalNet）可提升准确性和隐私保护，同时从二分类扩展至多类分类以更准确诊断疾病阶段。
7.3 Model optimization and deployment
模型剪枝、量化和轻量级模型（如MobileNet）对实时临床部署至关重要，提高能效和云支持可促进临床采纳。
7.4 Interpretability, trust, and ethical deployment
可解释性技术（Grad-CAM、SHAP、LIME、注意力、ROI检测）是获得临床信任的关键。伦理考虑包括患者数据保护、偏差最小化、透明度和可重复性，遵循临床和法律指南，进行多中心验证、前瞻性研究、校准和不确定性估计。
8 Conclusion
CNN显著推进了基于神经影像的诊断，在AD、PD和脑肿瘤识别分类中展现强大性能。近期创新（TL、注意力模块、3D CNN、混合架构）进一步提升性能，但数据集偏倚、外部验证不足、可解释性问题和计算负担限制临床采纳。未来需聚焦多模态融合、可解释AI、轻量级架构和实时部署模型，以缩小研究与实践差距，实现稳健、以患者为中心的神经诊断系统。
