《Psychiatry Research: Neuroimaging》：Early Diagnosis of Alzheimer's Disease from Functional rs-fMRI Images based on Deep Learning Networks and Transfer Learning Approach
编辑推荐：
阿尔茨海默病早期诊断方法采用优化VGG-16和VGG-19网络结合rs-fMRI影像分析，通过转移学习和密集层设计提升分类性能，实现100%二分类和98.83%多分类准确率，优于传统VGG及SOTA模型。
Azizeh Akbari|Mahda Nasrolahzadeh|Javad Haddadnia
CINEICC，科英布拉大学心理学与教育科学学院，葡萄牙科英布拉
摘要 最近，利用深度学习方法加速医学图像分析并解释病理结果以早期诊断阿尔茨海默病（AD）引起了广泛关注。然而，诸如分类器性能不佳和图像表示不足等挑战限制了其有效性。计算机辅助诊断（CADx）可以通过模式分类来提高诊断性能。尽管深度网络（如视觉几何组（VGG）存在处理时间长和由于数据分布导致的性能问题等缺点，但由于其在适当训练下具有高精度潜力，许多CADx系统仍然依赖VGG分类器。为了解决这些问题，本文介绍了两种新的深度网络，即优化后的VGG-16（OVGG-16）和优化后的VGG-19（OVGG-19），这些网络结合了迁移学习和密集层的设计来提升诊断性能。所提出的系统使用OVGG-16和OVGG-19网络对静息态功能性磁共振成像（rs-fMRI）图像进行AD诊断。结果表明，OVGG-16和OVGG-16网络的收敛速度比传统的VGG-16和VGG-19更快。此外，使用OVGG-16网络的系统在二分类和多分类任务中分别达到了100%和98.83%的高准确率，超越了现有的最先进方法。
引言 阿尔茨海默病（AD）是最常见的痴呆类型之一，其特征是大脑中的神经细胞停止正常工作或逐渐死亡。该疾病通常发生在65岁以上的人群中，会导致意识、理解力、思维和记忆能力下降，并对患者的行为和社会关系产生负面影响（Marwa等人，2023；Nasrolahzadeh等人，2020）。早期和准确的AD诊断对于有效治疗至关重要，使患者能够规划未来并管理症状。当存在痴呆症状且排除了其他原因时，当前的诊断标准将AD分为可能或疑似AD，这反映了不同程度的确定性（Nasrolahzadeh等人，2025）。因此，有必要在尸检中展示典型的阿尔茨海默病病理变化以确认诊断。因此，精确的诊断和适当的药物治疗可以帮助延缓AD症状，但由于解释上的不确定性，医生仍然面临挑战。计算机辅助诊断（CADx）技术可以简化医生的诊断过程（Maki等人，2024）。一个通用的CADx系统通常包括原始图像采集、预处理、分割、特征提取和选择以及最终的识别步骤。其中，识别步骤（也称为分类）在CADx系统中起着关键作用，因为其结果直接影响系统的准确性（Li等人，2024；Wang等人，2025）。由于需要专业知识和多个优化步骤，CADx系统的每个步骤都耗时较长，导致泛化能力较差，临床应用受到限制。因此，对AD不同阶段的分类是一个具有挑战性的问题，该领域仍需更多研究。
为了解决这些问题，已经开发了多种方法来诊断AD，包括基因检测、脑电图、神经心理学检查、语音信号等（Battista等人，2020；Nasrolahzadeh等人，2022；Musaeus等人，2023）。其中，神经成像技术已成为诊断AD的可靠工具，包括磁共振成像（MRI）、功能性磁共振成像（fMRI）、单光子发射计算机断层扫描（SPECT）和正电子发射断层扫描（PET）（Haq等人，2025；Wang等人，2025；Choi等人，2024；Wang等人，2024）。在这种情况下，fMRI在AD的初步诊断中显示出潜力，因为它可以评估大脑的神经活动（Yan等人，2025；Lai等人，2025）。这项技术通过利用血氧水平依赖性效应来测量大脑区域的活动。此外，它能够直观地反映患者的病理变化，并且由于其非侵入性，不会给患者带来压力。在这方面，静息态fMRI（rs-fMRI）（Biswal等人，1995）作为一种强大的神经成像工具，在模式识别中引起了广泛关注，因为它在检测和分析与AD临床前期相关的早期病理变化方面表现优异。由于这些显著特性，rs-fMRI可以捕捉功能脑活动的细微变化以提取特征（Nasrolahzadeh和Akbari，2025）。例如，许多基于学习的方法已经证明了rs-fMRI数据在AD自动化诊断中的有效应用（Alorf和Khan，2022）。
最近的研究表明，深度学习方法，特别是卷积神经网络（CNN），可以达到或超过放射科医生的诊断准确性（Faisal和Kwon，2022；Loddo等人，2022）。CNN模型的最大优点在于能够自动从原始数据中学习到有信息量和高级别的抽象特征，从而显著减少了手工特征工程的需求。此外，这些模型能够捕捉数据分布的表示，使它们能够将学到的特征泛化到训练之外的新组合中。它们提供了传统机器学习方法无法实现的洞察力（LeCun等人，2015）。然而，它们在捕捉弥漫性和细微的解剖异常方面表现更好（Rahman等人，2025）。因此，作为最广泛使用的深度学习设计之一，CNN在诊断系统、医学图像分析以及病理学、心脏病学、肺病学和放射学等领域的疾病预测中受到了广泛关注（Alkhodari和Fraiwan，2021；Lee等人，2021；Fu等人，2022；Zhang等人，2023）。这些成就鼓励研究人员开发基于CNN的AD诊断CADx系统。
本研究致力于开发一种新的高效CADx系统，用于从rs-fMRI图像中早期诊断AD，重点关注分类阶段。利用CNN深度模型的成功和迁移学习技术，本文介绍了两种新的深度网络，即优化后的VGG-16（OVGG-16）和优化后的VGG-19（OVGG-19），用于AD的二分类和多分类。本研究的主要贡献如下：（1）提出了一种基于迁移学习和预训练深度模型的策略，利用功能性rs-fMRI区分有无痴呆的个体；（2）对rs-fMRI数据进行了二分类任务，以区分正常对照组（CN）和AD患者；（3）在同一数据集上进行了多分类实验，自动区分AD、认知正常（CN）、轻度记忆障碍（SMC）、早期轻度认知障碍（EMCI）和晚期轻度认知障碍（LMCI）组；（4）基于VGG-16和VGG-19架构引入了两种深度学习模型，用于二分类和多分类任务；（5）此外，本研究还在图像预处理阶段引入了一种锐化滤波器，以提高图像质量。
相关研究 尽管在早期阿尔茨海默病诊断的CADx系统方面取得了进展，但准确诊断和分类AD患者和正常对照组（CN）中不同阶段的MCI仍然是研究重点。大约50%的MCI患者在3-4年内会发展为痴呆，这突显了改进CADx系统以提高放射科医生诊断准确性的必要性。传统的机器学习和深度CNN方法已被应用于神经成像。简要概述
数据 本文使用了阿尔茨海默病神经影像倡议（ADNI）数据库（
http://www.loni.ucla.edu/ADNI ）提供的神经影像数据。ADNI数据集包括1800名男性和女性参与者，分为三个主要类别：ADNI 1、ADNI GO/2和ADNI 3。本文使用了rs-fMRI ADNI2数据集。rs-fMRI数据集的详细信息见表1。
研究对象 研究的纳入标准基于ADNI中规定的标准
结果 本研究的目标是使用基于两种预训练深度模型的迁移学习方法对AD的不同阶段进行分类。为此，我们研究了OVGG-16和OVGG-19网络，用于对rs-fMRI数据中的信息进行二分类和多分类。
接下来，通过开发一个基于二分类的CADx系统，展示了所提出方法在早期AD诊断中的适用性
讨论 实验结果表明，我们提出的OVGG-16和OVGG-19模型在整体性能上优于传统模型，特别是VGG-16和VGG-19，以及现有的最先进模型，包括ResNet-50、Xception和DenseNet-121。这些模型的性能在二分类（AD vs. NC）和多分类（AD vs. CN vs. SMC vs. EMCI vs. MCI vs. LMCI）方面都得到了评估（见表6和表8）。
结论 本文介绍了两种基于迁移学习策略的新深度网络OVGG-16和OVGG-19，旨在从rs-fMRI中提取最具区分性的信息，以实现AD的初步诊断和痴呆不同阶段的分类。首先，通过对ADNI数据库中的rs-fMRI图像进行适当的预处理，开发了所提出的CADx系统，用于识别AD的6个阶段：SMC、EMCI、MCI、LMCI和NC。
未引用参考文献 Mall等人，2023
CRediT作者贡献声明 Azizeh Akbari： 撰写 – 审稿与编辑、撰写 – 原稿、可视化、验证、软件、资源管理、方法论、研究、数据分析、概念化。
Mahda Nasrolahzadeh： 撰写 – 审稿与编辑、撰写 – 原稿、可视化、验证、监督、软件、资源管理、方法论、研究、数据分析、概念化。
Javad Haddadnia： 撰写 – 审稿与
利益冲突声明 作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
