阿尔茨海默病中认知状态与脑结构变化的关联：轻量级深度学习辅助诊断的临床意义 - 认知障碍

阿尔茨海默病中认知状态与脑结构变化的关联：轻量级深度学习辅助诊断的临床意义Association between cognitive status and structural brain changes in Alzheimer’s disease: Clinical implication of lightweight deep learning-aided diagnosis - ScienceDirect

环球医讯 / 认知障碍来源：www.sciencedirect.com美国 - 英语2026-01-18 05:59:30 - 阅读时长2分钟 - 616字

本研究构建了一种轻量级深度学习模型分析阿尔茨海默病患者的脑部磁共振图像，成功揭示了认知功能与特定脑区结构变化的关联机制，模型准确率达90.6%且计算资源需求大幅降低，研究发现内侧颞叶和丘脑是疾病诊断的关键区域，模型输出能显著解释简易精神状态检查分数的变异（R²变化=0.341），超越了年龄、性别和教育年限等传统临床指标，为阿尔茨海默病的早期精准诊断提供了兼具高精度与临床实用性的新方法，有望推动人工智能在神经退行性疾病诊疗中的实际应用。

摘要

背景

阿尔茨海默病(AD)发展过程中涉及的复杂脑部变化构成了一个高维非线性特征空间，在此空间中，深度学习(DL)分类/诊断可能优于传统非学习方法。然而，由于许多模型计算成本高且缺乏明确的可解释性，医疗专业人员对深度学习的实用性仍存争议。本研究旨在构建一个轻量级深度学习模型，以揭示阿尔茨海默病中认知状态与脑结构变化之间的关联。

方法

通过使用从阿尔茨海默病神经影像计划数据库获得的数据，本研究纳入了418名阿尔茨海默病患者和418名年龄匹配的认知正常(CN)受试者，基于他们在基线访问时的T1加权磁共振图像进行深度学习模型构建。通过结合分组卷积、全局池化和高效通道注意力，实现了轻量级设计。

结果

我们模型的准确率达到90.6%，与之前使用多达十倍参数构建的模型相比具有竞争力。遮挡图显示，内侧颞叶区域和丘脑对我们模型区分阿尔茨海默病和认知正常受试者的贡献最大，这与当前对病理轨迹的认识一致。层次回归进一步揭示，深度学习模型输出的logit解释了简易精神状态检查(MMSE)分数中显著的变异量，超过了包括年龄、性别和教育年限在内的临床指标(R²变化 = 0.341, F(1, 91) = 57.623, p < 0.001)。