EffNetViTLoRA：一种用于阿尔茨海默病诊断的高效混合深度学习方法
计算机视觉与模式识别
2025-08-28 v1
摘要
阿尔茨海默病（AD）是全球最普遍的神经退行性疾病之一。随着病情发展，它会导致认知功能衰退。由于 AD 是不可逆的，早期诊断对于控制其进展至关重要。轻度认知障碍（MCI）代表了认知正常（CN）个体与 AD 患者之间的中间阶段，并被认为是正常认知向阿尔茨海默病过渡的阶段。由于相邻诊断类别之间的细微差异，诊断 MCI 尤其具有挑战性。在本研究中，我们提出了 EffNetViTLoRA，这是一种使用整个阿尔茨海默病神经影像学计划（ADNI）磁共振成像（MRI）数据集进行 AD 诊断的通用端到端模型。我们的模型将卷积神经网络（CNN）与 Vision Transformer（ViT）相结合，以从 MRI 图像中捕获局部和全局特征。与依赖有限数据子集的以往研究不同，我们的方法是在 ADNI 的完整 T1 加权 MRI 数据集上训练的，从而产生更稳健且无偏的模型。这种综合方法增强了模型的临床可靠性。此外，当源数据集和目标数据集域不同时，微调大型预训练模型通常会产生次优结果。为了解决这个问题，我们引入了低秩适应（LoRA）以有效地将预训练的 ViT 模型适应到我们的目标域。这种方法实现了高效的知识迁移并降低了过拟合风险。我们的模型在完整 ADNI 数据集上的三个诊断类别（AD、MCI 和 CN）中实现了 92.52% 的分类准确率和 92.76% 的 F1-score。
引用
@article{arxiv.2508.19349,
title = {EffNetViTLoRA: An Efficient Hybrid Deep Learning Approach for Alzheimer's Disease Diagnosis},
author = {Mahdieh Behjat Khatooni and Mohsen Soryani},
journal= {arXiv preprint arXiv:2508.19349},
year = {2025}
}