基于 EffNetViTLoRA 和 BiLSTM 的多模态纵向 MRI 数据阿尔茨海默病预测
计算机视觉与模式识别
2025-12-01 v1
摘要
阿尔茨海默病（AD）是一种常见的神经退行性疾病，会逐渐损害记忆、决策能力以及整体认知功能。由于AD不可逆，早期预测对于及时干预和管理至关重要。轻度认知功能障碍（Mild Cognitive Impairment, MCI）作为认知正常（cognitively normal, CN）老化与AD之间的过渡阶段，在早期AD诊断中发挥着重要作用。然而，预测MCI的恶化程度仍是一个重大挑战，因为并非所有患有MCI的个体都会发展为AD。基于转化状态将MCI患者分为稳定MCI（sMCI）和进展性MCI（pMCI）。本研究提出了一个用于AD预测的通用、端到端的深度学习模型，基于阿尔茨海默病神经影像计划（Alzheimer's Disease Neuroimaging Initiative, ADNI）中的MCI病例。我们的混合架构集成了卷积神经网络和视觉转换器，以从磁共振成像（MRI）扫描中捕获局部空间特征和全局上下文依赖性。为融合时间进展，我们进一步采用双向长短期记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）处理来自四个连续MRI时间点上的提取特征以及其他非影像生物标志物，以预测每个受试者在48个月的认知状态。我们的多模态模型在sMCI与pMCI之间实现了95.05%的平均恶化预测准确率，超越了现有AD预测研究。该工作在纵向AD预测中实现了最新进展，凸显了结合空间建模和时间建模对于早期阿尔茨海默病检测的有效性。
引用
@article{arxiv.2511.22774,
title = {Alzheimer's Disease Prediction Using EffNetViTLoRA and BiLSTM with Multimodal Longitudinal MRI Data},
author = {Mahdieh Behjat Khatooni and Mohsen Soryani},
journal= {arXiv preprint arXiv:2511.22774},
year = {2025}
}