使用无导数优化的卷积神经网络从磁共振成像对阿尔茨海默病相关痴呆严重程度进行分类

帮助医生更早发现痴呆

随着人口老龄化，许多家庭会担忧记忆力衰退和痴呆。脑部影像可以揭示与阿尔茨海默病相关的早期变化，但逐一人工阅片既耗时又困难，即便对专家也是如此。这项研究提出了一种智能计算工具，可分析脑部 MRI 并将人群分为四个痴呆严重度等级，从无痴呆到中度受损。该系统旨在既非常准确，又足够轻量以在普通医院计算机上运行，从而让高级影像分析更广泛可及。

一种用于脑部影像的新型智能助手

研究人员集中于一种称为卷积神经网络（CNN）的人工智能，它擅长在图像中识别模式。与其仅判断某人是否患有阿尔茨海默病，他们的工具区分四个阶段：非痴呆、非常轻度、轻度和中度痴呆。为此，团队在大型公开 MRI 数据集上训练模型，这些数据已由专家标注。目标有二：达到接近完美的准确度，并保持模型紧凑快速，使其适用于日常临床使用，而不仅限于资金充足的研究实验室。

平衡数据与清理影像

医学数据的一个关键挑战是并非所有疾病阶段都有同等代表性。在这些脑部影像集里，健康和非常轻度病例较为常见，而中度痴呆的扫描则稀少。标准的人工智能系统因此倾向于“保守”预测常见类别，容易漏诊早期或中度疾病。为应对这一点，作者采用了两步策略：先剔除易混淆的边界影像，然后为代表性不足的阶段生成逼真的合成样本。与此同时，他们对每片 MRI 切片进行了细致预处理——滤波、分离脑组织与周围组织、以及亮度和对比度归一化——以便模型能专注于医学上有意义的特征，例如深层记忆结构的萎缩和脑脊液间隙的扩大。

设计更小更聪明的网络

研究团队没有依赖传统的基于梯度的参数调整方法，而是使用了一类所谓的无导数优化技术。他们以一个较大的常规模型为起点，随后通过进化搜索和神经结构搜索演化出一个更简单的设计，只有三层卷积层且滤波器数量大幅减少。随后用贝叶斯优化微调训练超参数，训练后通过模拟退火和剪枝去除不必要的连接。最终得到的模型称为 DAPA-CNN，可调参数比起始模型减少约 85%，占用内存约为四分之一，训练时间也不到原来的三分之二，但仍能捕捉扫描中的关键模式。

接近完美的性能与清晰的可视化解释

尽管体积更小，DAPA-CNN 的准确性令人瞩目。在一个主要的阿尔茨海默病数据集上，它几乎在每个样本上都正确判断了痴呆分期，各项性能指标均徘徊在约 99%。该模型在一组由不同扫描仪采集的多中心独立数据集上也表现出良好的泛化能力，表明其对现实世界影像差异具有鲁棒性。为提高临床可解释性，作者生成了类别激活图——类似热图的叠加层，显示哪些脑区对某一判定有影响。在早期阶段，这些图强调与记忆相关且在阿尔茨海默病中首先退化的区域；在晚期，激活范围扩展至更广的皮层区域，与临床上对疾病进展的理解相符。

这对患者和临床意味着什么

对非专业读者来说，主要信息是这项研究提供了一个快速、紧凑且可解释的工具，可基于常规 MRI 对痴呆严重度进行分级。通过平衡训练数据并利用无导数优化精心塑造网络，作者创建了一个能在较为有限的硬件上运行、同时提供接近完美准确率并指出其判决依据脑区的模型。如能在未来的前瞻性临床试验中得到验证，这类技术可能有助于更早确诊、在医院间实现更一致的分期，并更好地追踪阿尔茨海默病随时间对大脑的影响。

引用: Ganesan, S.K., Velusamy, P., Parthsarathy, P. et al. Alzheimer’s related dementia severity classification from magnetic resonance imaging using derivative-free optimization of convolutional neural network. Sci Rep 16, 10077 (2026). https://doi.org/10.1038/s41598-026-36037-9

关键词: 阿尔茨海默病, 脑部磁共振成像, 痴呆分期, 深度学习, 医学影像人工智能