基于可解释人工智能的深度学习方法用于区分阿尔茨海默病和轻度认知障碍
图像与视频处理
2025-10-08 v2 人工智能
计算机视觉与模式识别
机器学习
应用统计
机器学习
摘要
阿尔茨海默病的早期准确诊断对于有效的临床干预至关重要，尤其是要将其与以微小结构变化为特征的轻度认知障碳（MCI）区分开来。本研究提出一种用于阿尔茨海默病分类的混合深度学习集成框架，基于结构磁共振成像。我们使用灰质和白质切片作为三个预训练卷积神经网络（ResNet50、NASNet、MobileNet）的输入，通过端到端过程进行微调。为进一步提升性能，我们采用堆叠集成学习策略，引入元学习者和加权平均，以最佳组合基模型。评估于阿尔茨海默病神经影像计划（ADNI）数据集，所提出的方法在阿尔茨海默病与轻度认知障碍之间实现了 99.21% 的最先进准确率，在轻度认知障碍与正常对照之间实现了 91.0% 的准确率，优于常规迁移学习和基线集成方法。为提高图像基础诊断的可解释性，我们集成了梯度加权类激活（Grad-CAM）技术，这一技术生成热力图和归因图，突出显示灰质和白质切片中关键区域，从而揭示影响模型决策的结构生物标志物。这些结果凸显了该框架在神经退行性疾病诊断中实现稳健和可扩展临床决策支持的潜力。
引用
@article{arxiv.2510.00048,
title = {Deep Learning Approaches with Explainable AI for Differentiating Alzheimer Disease and Mild Cognitive Impairment},
author = {Fahad Mostafa and Kannon Hossain and Hafiz Khan},
journal= {arXiv preprint arXiv:2510.00048},
year = {2025}
}
备注
18 pages, 4 figures