基于多模态神经成像的深度学习框架，用于模式分析及神经退行性疾病的早期预测

《Neuroscience》：Multimodal neuroimaging-based deep learning framework for pattern analysis and early prediction of neurodegenerative diseases

　　

V. Asmabi | V. Anoop

印度喀拉拉邦特里苏尔Jyothi工程学院电子与通信工程系

摘要

神经退行性疾病，如轻度认知障碍（MCI）和阿尔茨海默病，由于其进行性发展和晚期诊断的特点，带来了重大挑战。早期检测仍然困难，尤其是使用传统的机器学习方法时，这些方法无法捕捉多模态临床数据中的复杂空间和时间模式。为了满足对准确、可扩展且具有临床应用价值的诊断工具的需求，本研究提出了一种结合卷积神经网络（CNN）与优化时空双向门控LSTM（O-SBGC-LSTM）的混合深度学习框架。该框架在1000个多模态样本上进行了评估，取得了94.8%的准确率、93.9%的精确度、94.2%的召回率和94.0的F1分数，优于SVM（82.4%）、随机森林（85.7%）和CNN-LSTM（92.5%）。交叉验证证实了其鲁棒性（93.8–95.0%的准确率）。该方法在认知正常、MCI和阿尔茨海默病病例之间平衡了分类性能。

引言

神经退行性疾病（NDs），包括阿尔茨海默病，由于其进行性和不可逆性，构成了重大的全球健康挑战。早期诊断对于及时干预和改善患者预后至关重要。最近的研究强调了非侵入性生物标志物和先进传感技术在早期检测认知衰退方面的重要性（Vrahatis等人，2023年；Vishal Sharad等人，2024年；Cano等人，2024年；Bisi等人，2024年）。此外，利用眼部、行为和生理信号的新方法扩展了传统临床评估之外的诊断可能性（Chaitanuwong等人，2023年；Irfanuddin等人，2023年）。人工智能（AI），特别是深度学习，通过实现复杂生物医学数据的自动化分析，显著推进了ND的诊断。卷积神经网络（CNN）及相关架构在从MRI扫描中检测脑结构异常方面表现出色（Ganesh等人，2023年；?elebi和Emiro?lu，2023年；Huang等人，2023年；El-Assy等人，2024年）。其他机器学习技术，包括集成学习和基于梯度的方法，在分类任务中也显示出有效性（Ahmed等人，2023年；Mujahid等人，2023年）。此外，基于Transformer的模型和特征融合策略改进了医学成像中的表示学习（Odusami等人，2023年；Chabib等人，2023年）。最近的发展强调了多模态学习，整合了神经影像、临床和基于传感器的数据以提高诊断的准确性和鲁棒性（Velmurugan等人，2025年；Tukur等人，2025年；Li等人，2025年）。此外，AI驱动的框架越来越多地应用于语音、步态和可穿戴传感器数据等多种模式，以进行早期ND检测（Tan等人，2024年；Erda?等人，2023年；Ahn等人，2023年）。尽管取得了这些进展，但仍存在挑战，包括泛化能力有限、缺乏时间建模以及空间和序列特征整合不足（Rana等人，2025年）（见表1）。

鉴于这些限制，本研究提出了一种结合基于CNN的空间特征提取与优化O-SBGC-LSTM模型的混合深度学习框架，用于时间模式学习。该方法旨在提高诊断准确性，增强泛化能力，并为神经退行性疾病的早期检测和分析提供可扩展的解决方案。其余部分安排如下：第2节描述了文献综述，第3节描述了所提出的技术，第4节和第5节讨论了结果，第6节总结了论文。

章节摘录

文献综述

**基于深度学习的阿尔茨海默病检测：**深度学习技术已被广泛用于ND诊断，特别是在阿尔茨海默病分类方面。基于CNN的模型在从脑图像中提取空间特征方面表现出强大能力（Ganesh等人，2023年；?elebi和Emiro?lu，2023年；El-Assy等人，2024年）。包括深度信念网络和混合深度学习模型在内的先进架构进一步提高了分类准确性（Alqahtani等人，

研究提出的方法论

本研究提出了一种结构化的深度学习框架，用于使用多模态神经影像数据对神经退行性疾病（ND）进行早期检测和准确分析。该方法论将数据采集、预处理、特征提取、时间模式学习和预测整合到一个统一的流程中。利用MRI、PET和fMRI等脑成像模式以及临床和人口统计数据，来捕捉与ND相关的结构和功能异常。

实验结果

实验结果表明，所提出的深度学习框架在利用多模态数据早期检测神经退行性疾病方面非常有效。该模型在所有评估指标上均表现出强大的预测性能，表明其能够准确分类不同的认知状态。训练过程显示出一致的学习趋势，验证性能与之紧密对应，表明具有良好的泛化能力和最小的过拟合现象。

讨论

所提出的CNN + O-SBGC-LSTM框架在神经退行性疾病分类方面表现出卓越的性能，准确率达到94.8%，精确度为93.9%，召回率为94.2%，F1分数为94.0%。这些结果超过了传统的机器学习方法（如SVM和随机森林，82–86%）和标准深度学习模型（90–92.5%），突显了整合空间、时间和优化特征学习的有效性。最近的研究支持了这些发现：Elhadidy等人（

研究结论

所提出的CNN + O-SBGC-LSTM框架在神经退行性疾病的早期检测方面表现出卓越的性能。实验结果显示准确率为94.8%，精确度和召回率强，所有类别的F1分数均衡，表明该模型能够有效区分认知正常、MCI和阿尔茨海默病病例。与传统和基线深度学习模型的比较分析证实了其优越性，而交叉验证和低

未引用的参考文献

Saravanakumar和Saravanan，2022年；Mamun等人，2022年；Kapoor等人，2023年；Khullar等人，2025年；Shivahare等人，2023年；Elgohr等人，2026年。

CRediT作者贡献声明

**V. Asmabi：**撰写——原始草稿；撰写——审阅与编辑；监督；可视化；项目管理。**V. Anoop：**调查；形式分析；数据管理；概念化。

致谢

不适用。

参与和发表同意书

不适用。

数据和材料的可用性

本研究未生成新的数据集或模型。所有分析均使用公开可用的OASIS-3数据集进行，该数据集包含认知正常个体和处于不同神经退行性疾病阶段的受试者的MRI和PET扫描以及临床和认知评估结果。