《Engineering Applications of Artificial Intelligence》：Artificial Intelligence for Alzheimer’s disease screening via handwriting images acquired by smartphones
编辑推荐：
阿尔茨海默病（Alzheimer's disease，AD）是一种常见的神经退行性疾病，会逐步损害认知和运动功能。早期诊断可以减缓病程进展并改善生活质量。然而，许多诊断工具具有侵入性或成本高昂，不适于大规模筛查。尽管应用于医学成像的人工智能（Artificia
阿尔茨海默病（Alzheimer's disease，AD）是一种常见的神经退行性疾病，会逐步损害认知和运动功能。早期诊断可以减缓病程进展并改善生活质量。然而，许多诊断工具具有侵入性或成本高昂，不适于大规模筛查。尽管应用于医学成像的人工智能（Artificial Intelligence，AI）可以辅助诊断，但其往往依赖于专用硬件、受控环境和专家操作人员，限制了可扩展性。本研究提出了一种智能手机获取的手写筛查系统，并在日常环境采集的数据上进行了评估。研究人员设计了一种可部署的、面向特定任务的流程的端到端验证，用于无约束的智能手机图像捕获。该流程整合了对不均匀光照和纸张透明性具有鲁棒性的感兴趣区域（Region of Interest，ROI）提取、卷积特征提取、多个逐任务分类器以及晚期融合集成策略，以提高跨手写任务的稳健性。该工程应用是一个实用的阿尔茨海默病筛查工具，能够通过标准智能手机实现远程、低成本数据采集，无需专用设备或专业监督。对174名参与者（89名患者和85名健康对照）按照25项任务方案获取的数据集的评估表明，智能手机获取的图像产生的任务级准确率最高可达76%，与高分辨率扫描结果相当，而集成方法实现的准确率超过84%，精确率达到90%。这些结果表明，在临床环境之外实现真实世界筛查具有可扩展性和实用性的途径。
该研究聚焦于阿尔茨海默病（Alzheimer's disease，AD）的早期筛查。AD是最常见的神经退行性疾病，占痴呆病例的60%–70%，以认知和运动功能进行性损害为特征。早期诊断有助于延缓病情进展并改善生活质量，但现有诊断手段如脑成像和生物标志物检测常为侵入性且费用高昂，不适合大规模人群筛查。手写分析因涉及认知计划与精细运动协调，成为一种低成本、非侵入性的潜在途径。然而，过往基于手写分析的AD检测研究大多依赖专用图形输入板或高分辨率扫描仪，需要受控环境和专业人员操作，限制了在临床场景外的部署。智能手机的普及为真实条件下采集手写图像提供了机会，但非受控环境带来的光照变化、透视畸变、纸张透明性以及设备差异等问题，导致模型性能显著下降。为此，研究人员开展本研究，旨在验证同一套25项手写任务协议能否应用于标准智能手机摄像头获取的图像，并构建一个无需专用硬件或专业监督的端到端筛查流程。研究成果发表于《Engineering Applications of Artificial Intelligence》。
在技术方法上，研究人员使用了一个包含174名参与者（89例AD患者和85例健康对照）的数据集，这些参与者的纸质手写册页由非专业人员使用两款智能手机（Xiaomi Mi 9 Lite和Xiaomi Poco X3 Pro）在非受控环境下重新拍摄。其核心流程包括：基于OpenCV和自适应阈值等技术的感兴趣区域（ROI）自动提取，以分离手写笔迹、去除打印指令和背景噪声，约14%的样本因自动提取失败转为人工裁剪；采用四种卷积神经网络（CNN），即InceptionV3、ResNet-50、EfficientNetV2-S和ConvNeXt-Small，进行全模型微调以提取深层特征；将特征输入四种机器学习（ML）分类器（K最近邻、多层感知机、随机森林、极限梯度提升）进行任务级分类；最后
