认知障碍鉴别诊断：基于神经影像数据的深度学习技术研究
背景 全球认知疾病发病率的上升催生了对精准、非侵入性诊断工具的迫切需求，此类工具需能区分具有相似临床症状和细微脑部解剖差异的神经退行性疾病。阿尔茨海默病（AD）、额颞叶痴呆（FTD）和帕金森病（PD）均以认知功能障碍为特征，因此鉴别诊断变得至关重要。
方法 本研究利用三个知名数据集（ADNI、NIFD和PPMI）收集的1629例T1加权结构磁共振成像（MRI）图像，采用三维卷积神经网络（3D-CNNs）进行分析。预处理流程包括格式转换、图像配准、脑组织提取、图像裁剪、体积下采样和强度归一化。我们首先针对每种疾病与健康对照组构建二元分类模型，随后开发联合多类别模型以实现AD、FTD、PD和对照组的同时鉴别。为避免数据泄露，采用基于受试者的分割方式而非基于图像的划分。训练过程未使用合成数据增强，并创新性应用焦点损失函数（Focal Loss）和Maxout层——此两项技术此前未在相关研究中被采用。严格的预处理和架构设计在敏感度和诊断准确率方面显著优于现有多种解决方案。
结果 二元分类模型表现优异：AD准确率达98%，FTD达98%，PD达93%。联合多类别模型总体准确率为95%，疾病特异性灵敏度分别为AD 100%、FTD 95%、PD 95%，曲线下面积（AUC）接近1.00。
结论 本模型严格的预处理方法和创新架构超越了众多现行技术，充分证明3D-CNN架构作为认知障碍鉴别诊断的临床决策支持系统具有广阔应用前景。
注
资金声明：本研究未获得任何资金支持。
利益冲突声明：作者声明不存在竞争性利益。
关键词 深度学习、阿尔茨海默病、额颞叶痴呆、帕金森病、磁共振成像（MRI）、三维卷积神经网络
【全文结束】
