本文提出了一种利用深度学习方法进行疾病预测的算法，通过 MRI 扫描病人的大脑，基于 ADNI 数据集中的 2265 个历史扫描，该算法可用于预测病人的疾病状态，并证明了 3D 卷积神经网络优于文献中的其他分类器并产生了最新的结果。

Feb, 2015

本研究探讨将深度学习模型应用于阿尔兹海默病的诊断，使用 3D 卷积神经网络进行训练和测试，并设计了一个算法集成，能够优于任何单独算法，在超过 1500 个完整的脑部体积中展现出良好的分类性能和突出的诊断能力，这些算法具有成为软件包的潜力，能够协助医生 / 放射科医生更好地诊断阿尔兹海默病。

Dec, 2022

本研究提出了一种基于 ResNet 的端到端 3D CNN 框架，结合注意力机制作用下获取的多层特征，以更好地捕捉脑部图像的细微差异，用于阿尔茨海默病的诊断。在 ADNI 数据库的 792 个受试者上进行了消融实验验证，基于 sMRI 和 PET 分别实现了 89.71% 和 91.18% 的诊断准确率，并且超过了一些最先进的方法。

Aug, 2023

通过使用深度学习和图像识别技术，本研究提出了一种基于卷积神经网络的新型阿尔茨海默病检测模型，该模型利用预训练的 ResNet 网络作为骨干，结合了 3D 医学图像的后融合算法和注意力机制，实验证明引入的 2D 融合算法有效降低了模型的训练开销，而注意力机制准确评估了图像中重要区域，进一步提高了模型的诊断准确性。

Jan, 2024

本研究针对深度卷积神经网络应用于结构性脑部 MRI 扫描检测阿尔茨海默病的问题，提出几种可以提升模型性能的技术，其中包括实例规范化、年龄信息等，这些技术的应用可将模型的准确率提高 14%。

Nov, 2019

通过将卷积神经网络（CNN）和视觉转换器（ViTs）相互结合，我们引入了一种新的端到端深度学习模型，3D Hybrid Compact Convolutional Transformers 3D（HCCT）。在突出阿尔茨海默病（AD）分类准确性方面，经过对知名的 AD 稳定数据集 ADNI 进行广泛评估，3D HCCT 表现出优异的性能，超越了现有的基于 CNN 和变换器的方法。其强大的泛化能力和可解释性在从 3D MRI 扫描进行 AD 分类方面具有重要意义，为改善患者护理和优越的临床结果提供了更准确可靠的诊断。

Mar, 2024

研究开发了三种有效的方法来从三维卷积神经网络 (3D-CNN) 中生成视觉解释，用于阿尔茨海默病分类。这些方法基于敏感性分析和网络激活的可视化，并且都能够识别出对阿尔茨海默病诊断非常重要的脑部部位，并提高了对 3D-CNN 在阿尔茨海默病分类中的理解。

Mar, 2018

通过评估几种无监督方法对大规模合成数据集进行预训练的特征提取器在下游阿尔茨海默病与认知正常之间的分类任务中达到了类似于使用真实数据的模型的性能，从而支持使用大规模合成数据进行预文本任务训练的可行性。

Jun, 2024

通过严格遵守数据处理、实验设计和模型评估等最佳实践，本研究旨在确保机器学习在临床实践中作为可靠工具的地位。以阿尔茨海默病检测为例，我们研究了不同的数据增强技术和模型复杂度对整体性能的影响，采用 3D 卷积神经网络处理 ADNI 数据集的分类问题。通过交叉验证和多次训练试验，我们训练了 15 个预测模型，考虑了三种不同的数据增强策略和五种不同的 3D 卷积神经网络架构，每种架构的卷积层数不同。通过数据增强和模型复杂度的综合效应，准确率的预测性能变化高达 10%。当分别应用仿射变换时，模型的准确性更高，与采用的架构无关。对于所有策略，模型准确率随着卷积层数的增加呈现凹曲线行为，在中间值层次达到峰值。最佳模型（8 个卷积层、架构 B）在交叉验证折数和训练试验中最稳定，在测试集和外部测试集上表现出色。

Sep, 2023

该研究提出了一种结合了伽玛校正和脑结构专注的神经退化卷积神经网络（SNeurodCNN）的机器学习框架，用于区分早期阿尔茨海默病（AD）和轻度认知障碍（MCI），通过实验证明该模型在诊断及特定脑区变化的准确性、特异性和敏感性方面表现出色，成为早期 AD 诊断的潜在大脑结构变化数字生物标志物。

Jan, 2024