通过分析 2008 年至 2023 年间基于深度学习技术和强化学习的阿尔茨海默病诊断论文，发现深度学习方法具有提取特征并具有良好准确度对阿尔茨海默病进行分类的巨大能力，需要探索 DRL 在痴呆症检测领域的应用。

Apr, 2023

利用变压器编码器模型来表征纵向患者数据的重要性，以预测阿尔茨海默病（AD）的进展。我们的模型 LongForMAD 利用包含多模态数据的患者访问序列中嵌入的全面时间信息，提供对疾病进展的更深入理解，比仅基于单次访问数据获得的理解更有效。我们在两个患者群体（认知正常和轻度认知障碍）的随访五年内进行了经验分析。实验结果显示，结合更长时间的患者病史的模型可以胜过仅依赖当前信息的模型，这表明更深入的历史背景对于提高未来 AD 进展的预测准确性至关重要。我们的研究结果支持在临床环境中利用纵向数据来增强 AD 的早期检测和监测。

May, 2024

该研究提出了一种多模态分层多任务学习方法，可以在访问轨迹的每个时间点监控疾病进展的风险，并且相较于最先进的基线模型，在预测阿尔茨海默病进展风险和综合评分上表现更好。

Apr, 2024

这篇研究提出了一种新的几何学学习方法，通过结合拓扑空间转移、ODE-RGRU 和轨迹估计来建模长期的磁共振成像生物标记物和认知评分，并开发了一种训练算法，将流形映射与单调性约束相结合，以反映测量转换的不可逆性。通过在规则和不规则环境下预测临床标签和认知评分的时间，验证了所提出方法的有效性，并通过消融研究对该框架进行了全面分析。

Oct, 2023

本文探讨了使用机器学习预测阿尔茨海默病恶化的能力，并在 Alzheimers Disease Neuroimaging Initiative 的数据集上使用了六种机器学习模型。最后展示了对两组数据的预测效果，即针对健康组和轻微认知障碍组的恶化预测，分别使用了 CART 和 Elastic Net 获得了较好的结果。

Jun, 2023

采用 RF、SVM 和 CNN 算法，并利用分水岭分割从 MRI 图像中提取特征，我们提出了一种对痴呆的四个阶段进行分类的方法。结果显示，具有分水岭特征的 SVM 具有 96.25% 的令人印象深刻的准确率，超过其他分类方法。该方法在 ADNI 数据集上评估，并观察到分水岭分割的引入有助于模型的改进性能。

Nov, 2023

使用强化学习算法预测阿尔茨海默病的进展，并研究其可解释性；通过比较多种 RL 算法性能，发现只有一种能够较好地模拟疾病进展，但后续解释分析显示所有方法未能正确捕捉淀粉样蛋白囤积在阿尔茨海默病中的重要性。

Jun, 2024

该研究采用孪生网络模型预测 MRI 脑图像中中度认知障碍患者进展至阿尔茨海默病的时间，并通过对不同模型的比较，提出一种带有加权因子的孪生网络，使得预测精确度得到了提高。

Apr, 2023

利用生存机器学习建立了一个可预测认知能力下降导致痴呆症状发展以及预测发展时间的模型，预测能力良好，可用于临床研究和预测患阿尔茨海默病的风险。

Jun, 2023

阿尔茨海默病（AD）是认知能力逐渐下降的最常见的痴呆形式之一。本研究采用结构和功能性 MRI 探究了疾病引起的灰质和功能网络连接变化，并引入基因 SNP 作为第三个通道。我们提出了一种基于深度学习的分类框架，使用 Cycle GAN 生成模块来填补潜在空间中的缺失数据。通过整合梯度的可解释 AI 方法，提取了输入特征的相关性，增强了对学习表示的理解。实验结果表明，我们的模型能够在 CN/AD 分类中达到 SOA，平均测试准确率为 0.926±0.02。对于 MCI 任务，使用预训练模型进行 CN/AD 预测的平均准确率为 0.711±0.01。解释性分析揭示了与 AD 相关的皮层和皮下脑区的重要灰质调节，并确定了感觉运动和视觉静息态网络连接的损伤以及与淀粉样蛋白和胆固醇形成和清除调控相关的生物过程的 SNP 突变作为性能的贡献因素。总体而言，我们的综合深度学习方法在 AD 检测和 MCI 预测方面显示出潜力，同时为重要的生物学洞察提供了新的见解。

Jun, 2024