面向实用的阿尔茨海默病诊断：一种轻量且可解释的脉冲神经网络模型

阿尔茨海默病（AD）的早期诊断，特别是轻度认知障碍阶段，对及时干预至关重要。然而，这一过程面临显著障碍，包括依赖主观评估和先进成像技术的高昂成本。虽然深度学习提供了自动化解决方案以提高诊断准确性，但其广泛应用仍受到高能耗和计算需求的限制，尤其是在资源受限的环境中。脉冲神经网络（SNN）提供了一种有前景的替代方案，其受生物启发的设计非常适合建模AD中神经退行性变的稀疏和事件驱动模式。这些网络有望开发出可解释、节能的诊断工具。尽管具有优势，现有的SNN通常表达能力有限且训练稳定性不足，降低了其在复杂医疗任务中的有效性。为解决这些不足，我们提出了FasterSNN，一种混合神经网络架构，将受生物启发的漏电积分放电（LIF）神经元与区域自适应卷积和多尺度脉冲注意力机制相结合。该方法实现了对3D MRI数据的高效稀疏处理，同时保持高诊断准确性。在基准数据集上的实验结果表明，FasterSNN在显著提升效率和训练稳定性的同时提供了具有竞争力的性能，突显了其在AD筛查中实际应用的潜力。我们的源代码可在 https://github.com/wuchangw/FasterSNN 获取。