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

本文提出了一个利用多模态和多尺度深度神经网络的新框架来早期诊断阿尔茨海默病，能够更好地表征人脑变化，并比现有文献的结果具有更好的区别能力。该方法在 3 年内预测致残的受试者的准确度为 85.68％。

Oct, 2017

研究老龄化人口与阿尔茨海默病的关系，通过深度学习和多模态信息，基于大脑 MRI 扫描预测疾病阶段，早期检测和治疗。

Nov, 2023

本研究利用自监督对比学习方法和基于游程的神经网络模型，通过解剖学磁共振成像生成的结构性脑网络预测 MCI 向 AD 的转变，并可视化模型解释以识别白质通路异常变化。

Mar, 2022

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

通过引入一种新的正则化方法，我们提出了一种预测阿尔茨海默病进展的方法，旨在保持疾病风险随时间递增的单调性，同时保留预测准确性。

Mar, 2024

通过对 ADNI 数据集所得的 PET 扫描图像进行深入研究，本文使用了 VGG16、AlexNet 和一个自定义的卷积神经网络（CNN）模型来将阿尔茨海默病分类为控制正常组（CN）、进展性轻度认知障碍组（pMCI）、稳定性轻度认知障碍组（sMCI）和阿尔茨海默病组（AD），最后采用融合技术改进了模型的整体结果，结果显示使用深度学习模型区分 MCI 患者的平均准确率为 93.13%，AUC 为 94.4%。

Mar, 2024

老年痴呆症是一种以认知障碍和记忆损失为特征的进行性神经障碍。本文旨在探索多种模态及其融合方法，提高早期诊断和干预老年痴呆症的效果。

Oct, 2023

该研究使用医疗电子记录中未结构化的临床笔记数据，采用基于 BERT 预训练模型的深度学习框架，预测从轻度认知障碍到阿尔茨海默症的疾病进展风险。

Nov, 2022

提出了一种通用的多模态对比学习框架，用于结合图像数据和表格数据，通过新颖的表格注意模块增强和排名表格中突出特征，并应用于阿尔茨海默病预测，实验证明了该框架的有效性。

Aug, 2023