《Diagnostics》：PCA-Enhanced Deep Features for Alzheimer’s Disease Stage Classification with EFMM
编辑推荐：
背景/目的：阿尔茨海默病（AD）是一种进行性神经退行性疾病，需要准确及时的诊断以实现有效的临床干预。虽然深度学习方法在AD分类中显示出潜力，但许多方法依赖于计算密集型的架构和高维特征表示。本研究引入了一种轻量级混合框架，结合了深度特征提取、降维和自适应分类，用
背景/目的：阿尔茨海默病（AD）是一种进行性神经退行性疾病，需要准确及时的诊断以实现有效的临床干预。虽然深度学习方法在AD分类中显示出潜力，但许多方法依赖于计算密集型的架构和高维特征表示。本研究引入了一种轻量级混合框架，结合了深度特征提取、降维和自适应分类，用于基于MRI的阿尔茨海默病阶段分类。方法：利用来自公开可用的阿尔茨海默病数据集的MRI图像，该数据集包含四个临床阶段（非痴呆、极轻度痴呆、轻度痴呆和中度痴呆），研究人员使用预训练的SqueezeNet模型作为固定特征提取器提取深度特征，生成1000维特征向量。由于计算复杂性并为了提高模型效率，研究人员随后应用了降维技术——主成分分析（PCA）。这产生了100个主成分的最优表示，保留了约96%的方差。然后，研究人员测试了各种机器学习分类器的性能，如k近邻（kNN）、支持向量机（SVM）、决策树（DT）、神经网络（NN）、朴素贝叶斯（NB）、逻辑回归（LR）和增强模糊最小最大神经网络（EFMM）。使用准确率、精确率、召回率、F1分数、受试者工作特征曲线下面积（AUC）和混淆矩阵来评估性能。采用分层5折交叉验证以确保结果的稳健性。结果：研究结果表明，PCA对大多数模型的分类准确率有显著提升。特别是，EFMM分类器在独立测试集上以97.19%的准确率优于其他分类器。应用PCA后，轻度痴呆、中度痴呆、非痴呆和极轻度痴呆类别的AUC值分别达到97.12%、99.97%、93.79%和95.26%。研究人员进一步使用分层5折交叉验证验证了所提出的框架，这进一步证实了其稳健性。EFMM的平均准确率为98.38% ± 0.36，平均宏观F1分数为98.48% ± 0.43。Friedman统计检验表明，评估的分类器之间性能存在显著差异（p < 0.001），这进一步验证了EFMM的性能。结论：总之，所提出的SqueezeNet–PCA–EFMM是一种有效且高效的MRI图像下阿尔茨海默病阶段分类方法。SqueezeNet、PCA和EFMM的结合不仅带来了高分类性能，还获得了良好的交叉验证结果。此外，EFMM的增量学习特性使该框架在医疗保健发展过程中，对于纳入下一代智能临床决策支持具有吸引力。
阿尔茨海默病（AD）是最常见的痴呆形式，以记忆和认知功能丧失以及情绪或人格改变为特征。传统诊断方法依赖于临床病史、体格检查、神经心理学测试等，但这些方法耗时且有效性不一致。近年来，人工智能（AI）在医学图像分析中展现出潜力，但许多深度学习方法需要大量标注数据和计算资源，且缺乏可解释性。此外，深度特征的高维性可能导致信息冗余，而现有研究较少关注轻量级深度特征提取、降维与自适应学习模型的结合。为此，研究人员提出了一种混合框架，结合轻量级SqueezeNet深度特征提取、主成分分析（PCA）降维以及增强模糊最小最大神经网络（EFMM）分类，用于MRI图像中AD阶段的分类。该论文发表在《Diagnostics》上。
研究人员利用公开的Kaggle增强阿尔茨海默MRI数据集，包含6400张MRI图像，分为非痴呆、极轻度痴呆、轻度痴呆和中度痴呆四个阶段。采用预训练的SqueezeNet作为固定特征提取器，从全局平均池化层获取1000维深度特征向量；随后应用PCA将特征降至100个主成分，保留约96%的方差；最后使用七种机器学习分类器（kNN、SVM、DT、NN、NB、LR、EFMM）进行分类评估，并以分层5折交叉验证验证模型稳健性。主要关键技术包括：SqueezeNet的轻量级架构实现高效特征提取；PCA通过正交变换消除特征冗余；EFMM采用自适应模糊超盒机制进行增量学习，通过超盒扩展、重叠检测和收缩操作动态调整决策边界，特别适用于医学数据随时间演变的场景。
研究结果如下：
**4.1 评估指标（PCA前后）**：通过比较PCA前后的准确率、精确率、召回率、F1分数和AUC，发现PCA显著提升了多数模型的性能。EFMM表现最优，准确率从PCA前的94.17%提升至97.19%，精确率、召回率均达97%，AUC达96.53%。kNN的AUC虽略高（99%），但准确率和F1分数低于EFMM。
**4.2 混淆矩阵评估**：PCA后EFMM的混淆矩阵显示，各类别正确分类率提升：轻度痴呆96.9%、中度痴呆100%、非痴呆97.8%、极轻度痴呆96.3%。PCA减少了轻度与极轻度痴呆之间的混淆，增强了模型对早期阶段细微差异的辨别能力。
**4.3 ROC曲线评估**：多类一对多AUC分析显示，EFMM在PCA后各类别AUC均提升：轻度痴呆97.12%、中度痴呆99.97%、非痴呆93.79%、极轻度痴呆95.26%。其中中度痴呆近乎完美分离，极轻度痴呆提升最为显著（从91.27%升至95.26%），表明PCA增强了深度特征的判别力。
**4.4 5折交叉验证评估**：分层5折交叉验证中，EFMM的准确率范围为97.97%–98.75%，平均准确率98.38% ± 0.36，平均宏观F1分数98.48% ± 0.43，标准差低，表明框架在不同数据划分下性能稳定。Friedman非参数检验显示分类器间性能差异显著（p < 0.001），进一步支撑EFMM的优越性。
**4.5 与近期CNN和Transformer方法的讨论**：尽管近期CNN和Transformer方法（如ResNet、EfficientNet、ViT等）在AD分类中表现优异，但通常依赖深层架构、大量可训练参数和端到端优化，计算资源需求高且多为静态分类器。相比之下，本框架采用轻量级SqueezeNet固定提取特征、PCA压缩特征、EFMM自适应分类，显著降低计算复杂度，且EFMM支持增量学习（虽未在在线场景中验证）。在性能上，本框架在独立测试集上达97.19%准确率，5折交叉验证平均98.38%，与近期方法竞争，且流程更简单。但局限性包括：仅使用单一公开数据集，无法验证患者级分离，缺乏外部验证。
**总结讨论部分**：研究人员指出，EFMM的超盒表示提供了更结构化的决策区域描述，适合未来可解释临床决策支持系统。然而，本研究为图像级分类而非患者级诊断，且需在多个中心数据集上进一步验证。
**研究结论翻译**：本研究调查了主成分分析（PCA）对使用磁共振成像（MRI）数据提取的深度特征进行阿尔茨海默病（AD）阶段分类的影响。研究人员采用预训练的SqueezeNet模型作为固定特征提取器生成1000维特征表示，随后使用PCA进行降维，并通过多种机器学习分类器进行评估。实验结果表明，PCA通过减少特征冗余同时保留深度特征中最具信息量的特性，显著提高了分类性能。在评估的分类器中，增强模糊最小最大神经网络（EFMM）取得了最高的总体分类性能，在独立测试集上达到97.19%的准确率，在分层5折交叉验证下平均准确率为98.38% ± 0.36。此外，Friedman统计分析确认了分类器之间存在显著性能差异（p < 0.001）。尽管k近邻（kNN）获得了略高的总体AUC值，但EFMM在准确率、宏观F1分数和交叉验证性能上持续更优，显示出预测有效性与稳健性之间的良好平衡。EFMM的强劲性能可能归因于其自适应超盒学习机制，该机制能有效建模复杂决策边界同时支持增量学习。此外，PCA将原始1000维特征向量降至100个主成分，同时保留约96%的总方差，从而获得更紧凑且计算高效的特征表示。应承认若干局限性：首先，本研究仅使用单一公开数据集，且无法独立验证患者级分离，因此结果应视为图像级分类性能而非患者级诊断性能；其次，未进行外部验证。未来工作将集中在多机构患者级数据集验证、外部跨协议验证，以及与近期CNN和Transformer架构的直接比较，并探索EFMM与可解释AI和增量学习策略的整合，以增强透明度和智能临床决策支持。
