《Scientific Reports》：Alzheimer’s related dementia severity classification from magnetic resonance imaging using derivative-free optimization of convolutional neural network
编辑推荐：
为提升阿尔茨海默病进展诊断的时效性，研究者利用无导数优化整合进化算法、贝叶斯优化等技术，设计出轻量化卷积神经网络DAPA-CNN。该模型可依据脑部MRI，将阿尔茨海默病相关痴呆分为非痴呆、轻度、极轻度与中度四期，在ADD数据集上分类准确率达99.59%，且大幅降低了模型参数量、处理时间与内存占用，适用于资源有限的临床环境。
阿尔茨海默病（Alzheimer’s Disease, AD）是一种常见的神经退行性疾病，随着年龄增长，其发病率不断攀升，给全球公共卫生系统带来了沉重负担。及时、准确地评估痴呆的严重程度，对于制定个性化治疗方案、延缓病情发展至关重要。目前，基于磁共振成像（Magnetic Resonance Imaging, MRI）的脑部结构分析，已成为临床诊断和病情监测的重要手段。然而，传统的人工阅片方式不仅耗时耗力，还高度依赖医生的经验，在标准化和效率上存在局限。
近年来，深度学习，特别是卷积神经网络（Convolutional Neural Networks, CNNs），在医学影像分析领域展现出巨大潜力，能够自动从海量影像数据中学习复杂特征，辅助进行疾病分类与诊断。但直接将通用CNN模型应用于AD分期，仍面临几大挑战。首先，医学影像数据，尤其是标注了精确疾病阶段的MRI数据，往往存在严重的类不平衡问题——例如，健康对照样本可能远多于中重度痴呆样本，这会导致模型偏向于多数类，影响对少数类（如特定痴呆阶段）的识别性能。其次，高性能的深度神经网络通常参数庞大、计算复杂，需要强大的GPU算力和大量内存支持，这与许多基层医院或资源受限的临床环境的现实条件相悖。此外，深度学习模型常被诟病为“黑箱”，其内部决策机制难以解释，这在要求高可靠性与可追溯性的医疗场景中，成为了推广应用的障碍。
为了解决上述问题，一项发表在《Scientific Reports》上的研究，提出了一种创新的解决方案。研究人员没有选择在现有庞大模型上修修补补，而是另辟蹊径，从模型的设计与优化源头入手。他们开展了一项主题为“利用无导数优化卷积神经网络进行阿尔茨海默病相关痴呆严重程度的磁共振成像分类”的研究。其核心思路是，将模型架构的搜索与参数的优化，本身也视为一个需要求解的优化问题，并采用一套名为“无导数优化（Derivative-Free Optimization, DFO）”的智能策略来自动完成这项工作。
具体而言，研究人员构建了一个名为DAPA-CNN的轻量化卷积神经网络模型。为了“打造”这个模型，他们巧妙集成了一系列优化技术：借鉴自然界优胜劣汰思想的进化算法、基于概率模型的贝叶斯优化、模拟物理退火过程的模拟退火算法，以及专门用于自动设计网络结构的神经架构搜索和用于剔除冗余连接的剪枝技术。这套组合拳的目标非常明确——同时优化网络的可训练参数和整体拓扑结构，在保证高精度的前提下，极大压缩模型的“体积”和“能耗”。
光有好的模型架构还不够，数据层面的问题同样需要处理。针对AD数据集中常见的类不平衡挑战，研究团队采用了Tomek links和深度SMOTE这两种方法对数据进行平衡化处理，为模型提供更公平的学习环境。同时，为了揭开模型决策的“黑箱”，增强其临床可信度，他们在模型中引入了类激活图技术，能够可视化显示CNN做出分类决策时所关注的脑区，为医生提供直观的判读依据。
那么，这个精心设计的DAPA-CNN模型，实际表现究竟如何呢？研究团队在公开的阿尔茨海默病数据集上进行了严格的验证。结果显示，DAPA-CNN展现出了卓越的分类性能。在将脑部MRI图像精确分类到四个阿尔茨海默病相关痴呆阶段的任务中，其整体准确率达到了惊人的99.59%。不仅如此，在所有评估指标上，模型都表现出了高度均衡且优异的性能：精度为99.60%，灵敏度为99.66%，特异度为99.87%，F1分数为99.63%。这些数字表明，模型不仅整体判断准确，在识别每一类（包括少数类）时都很少出错。
更细致的分析通过类别的骰子系数、杰卡德指数以及马修斯相关系数、科恩卡帕系数等相关性指标进行，所有类别的这些指标值均超过了0.99，进一步印证了模型分类结果的可靠性与一致性。与一个基线CNN模型以及一些当代主流架构相比，DAPA-CNN的优势不仅体现在精度上，更体现在其“轻量化”特性上。它成功地将模型参数数量减少了85.6%，处理时间缩短了42.8%，内存使用降低了76.6%。这种大幅度的效率提升，使得该模型能够在计算资源有限的普通工作站甚至移动设备上流畅运行，极大地拓宽了其在床旁、社区诊所等场景的应用前景。
本研究的主要技术方法包括：利用无导数优化框架集成进化算法、贝叶斯优化、模拟退火、神经架构搜索与剪枝技术，以自动设计并优化轻量化卷积神经网络的结构与参数；采用Tomek links与深度SMOTE技术对来自阿尔茨海默病数据集的脑MRI影像数据集进行类平衡处理；以及应用类激活图技术实现模型决策过程的可视化解释。
研究结果
1. DFO框架驱动的轻量化CNN设计
本研究成功构建了一个基于无导数优化的自动化模型设计框架。该框架通过协同多种优化算法，无需计算梯度即可同时对网络层数、滤波器数量、连接方式等拓扑结构和权重参数进行全局寻优。最终生成的DAPA-CNN模型在结构上显著精简，为后续的高效部署奠定了基础。
2. 数据集平衡与增强
针对阿尔茨海默病数据集中存在的非痴呆、轻度痴呆、极轻度痴呆和适度痴呆四个类别样本数量不均衡的问题，应用Tomek links移除了类边界附近的噪声样本，并采用深度SMOTE在特征空间内智能合成少数类样本。处理后，各类别样本分布更为均衡，有效缓解了模型训练中的类别偏见。
3. 多维度性能评估
在阿尔茨海默病数据集上的测试表明，DAPA-CNN在四分类任务中取得了接近完美的性能。其高准确率、均衡的精确率与召回率，以及接近1的各类别骰子系数与相关性指标，共同证明了模型分类的准确性与鲁棒性。类激活图可视化结果进一步显示，模型的关注区域与临床已知的AD相关脑萎缩区域具有一致性，增强了模型决策的可解释性。
4. 卓越的效率优势
与基准模型对比分析揭示，DAPA-CNN在几乎不损失精度的前提下，实现了参数数量、推理时间和内存占用的全方位大幅下降。这种效率提升并非通过简单的压缩实现，而是通过DFO框架从源头设计出本质上更高效的网络架构所达成的。
结论与讨论
本研究的结论清晰而有力：通过引入无导数优化这一元优化策略，研究人员成功设计并验证了一个名为DAPA-CNN的轻量化卷积神经网络。该模型能够依据脑部磁共振成像，以极高的准确度对阿尔茨海默病相关痴呆的四个严重程度阶段进行自动化分类。这项工作不仅证实了智能优化算法在自动化神经网络架构设计方面的巨大潜力，更重要的是，它为解决深度学习在临床落地时面临的核心矛盾——即模型性能与计算资源消耗之间的权衡——提供了一个行之有效的范例。
其重要意义体现在多个层面。在技术层面，它展示了一条通过算法协同和架构创新来实现模型根本性轻量化的路径，而非依赖后期压缩。在临床应用层面，DAPA-CNN的高精度与低资源需求特性，使其能够无缝集成到现有医疗信息系统或便携式设备中，助力实现阿尔茨海默病的早期筛查、定期评估和病情监测的普及化与常态化，特别是在医疗资源相对匮乏的地区。此外，通过类激活图提供的解释性，在一定程度上建立了人工智能决策与临床医学知识之间的桥梁，有助于增加医生对AI辅助诊断工具的信任。
尽管该研究在特定数据集上取得了出色成果，但作者在讨论中也指出，未来的工作包括在更大规模、多中心的脑影像数据集上进行外部验证，以进一步检验模型的泛化能力，并探索将其应用于其他神经退行性疾病或不同模态医学影像分析的可能性。总之，这项研究为开发适用于资源受限环境的、可靠且高效的医疗人工智能工具，迈出了坚实而关键的一步。
