当深度学习失败：关于基于笔画的手写体识别中循环模型的局限性——阿尔茨海默病检测

阿尔茨海默病检测需要昂贵的神经影像或侵入性程序，限制了可及性。本研究探讨了深度学习能否通过手写体分析实现非侵入性阿尔茨海默病检测。我们使用来自健康对照组和阿尔茨海默病患者的34个不同手写体任务数据集，对三种循环神经网络结构(LSTM、GRU、RNN)与传统机器学习模型进行评估和比较。我们方法的一个关键区别是，循环模型处理的是来自离散笔画的预提取特征，而不是原始时序信号。这违反了循环网络设计用于捕捉连续时序流程的假设。结果显示，它们表现出较差的特异性和高方差。传统集成方法显著优于所有深度网络，在更高的准确率和平衡度量指标方面表现更好。这表明，循环结构网络在应用于从歧义分段的笔画级别的手写数据提取的特征向量时，无法克服其架构假设与离散、基于特征的笔画数据本质之间的根本性断裂。尽管其复杂性，深度学习模型无法克服这种根本性的不兼容性。尽管性能有限，本研究突显了数据表示和模型兼容性的若干关键问题，指出了未来研究的有价值方向。