通过使用深度学习技术，特别是基于最先进的卷积神经网络（CNNs），对磁共振成像（MRI）数据进行分类，以便识别阿尔茨海默病（AD），该研究报告了采用多个 CNN 模型的集成方法来提高检测的查全率和准确性，其中多数投票法表现得更好。我们提出的方法在测试中获得了 90% 的准确率、0.90 的精确度和 0.89 的召回率。未来可以扩展该研究以纳入其他类型的医学数据，包括信号、图像和其他数据，使用其他分类器、神经网络和人工智能技术以提高阿尔茨海默病的检测。

May, 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

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

研发了一个使用卷积神经网络和可解释 AI 算法的系统，可用于精确诊断痴呆症，并让所有相关人员可视化和理解结果。

May, 2024

本论文通过迁移学习的方法，使用预训练的深度学习模型，选取信息熵最大的 MRI 图像进行训练，证明相比于当前的基于深度学习的方法，使用小得多的训练样本数量，可以达到类似甚至更好的性能。

Nov, 2017

利用深度学习模型通过创新的数据处理和模型构建步骤对核磁共振成像（MRI）图像进行分类，以识别阿尔茨海默病的不同阶段，并通过非侵入性手段实现疾病进展的监测和早期精确诊断，实验证明基于 Xception 模型的深度学习框架在多类别 MRI 图像分类任务中达到了 99.6% 的准确率，具有辅助诊断的潜在应用价值。未来的研究将侧重于扩大数据集、改进模型可解释性和临床验证，进一步推动深度学习技术在医学领域的应用，希望为阿尔茨海默病患者带来更早的诊断和个性化治疗方案。

Mar, 2024

通过使用我们提出的框架，综合对应于反事实的结构性磁共振图像，并将其转化为灰质密度图来衡量其在感兴趣区域（ROI）中的体积变化，本研究通过采用一个轻量级的线性分类器来增强构建的 ROIs 的有效性，进而实现了定量诠释，达到了与深度学习方法相当的预测性能，该框架为每个感兴趣区域提供了一个 “与阿尔茨海默病相关性指数”，从而直观地理解个体患者和患者组与阿尔茨海默病进展的大脑状态。

Oct, 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

阿尔茨海默病（Alzheimer's disease）是一种最常见的神经系统痴呆症，通过磁共振成像技术结合深度学习算法可以早期诊断该病并确定病症特征，因此本研究分析了 2021 年至 2023 年之间基于磁共振成像的深度学习算法在 AD 诊断上的五项具体研究。

Oct, 2023

使用卷积神经网络，基于阿尔茨海默病神经影像计划（ADNI）数据集 MRI 扫描，近年来的很多研究报告了阿尔茨海默病分类的最新性能，但此研究发现，将数据按照受试者级别划分为训练和测试集时，无法获得相似的结果，进而质疑了以前研究的可靠性，因此使用所有可用的受试者，对三种拆分方法进行了验证，并报告了结果。

Jun, 2019