面向阿尔茨海默病诊断的深度学习实际应用探索

阿尔茨海默病(AD)的准确诊断既具挑战性又耗时。通过系统化的早期检测和诊断方法，可采取 steps 以治疗和预防该疾病。本研究探索了深度学习模型在 AD 诊断中的实际应用。由于计算复杂度高、训练时间长以及标注数据集有限，3D 全脑 CNN(卷积神经网络)并不常用，研究者通常偏好 2D CNN 变体。在本研究中，设计并训练测试了知名 2D CNN 的的全脑 3D 版本，用于诊断 AD 的不同阶段。深度学习方法在区分超过 1500 个全脑体积的 AD 各阶段方面表现出良好性能。除分类外，该深度学习模型还能够提取在区分各类别中关键的特征。提取的特征与有意义的解剖标志相符，这些标志目前被专家认为是识别 AD 的重要依据。我们还测试了所有算法的集成，且集成算法的性能优于任何单一算法，进一步提升了诊断能力。训练好的 CNN 的 3D 版本及其集成有潜力被整合到软件包中，供医生/放射科医生使用，以辅助其更好地诊断 AD。