基于MRI神经影像的阿尔茨海默病分期分类：使用带卷积块注意力模块的深度神经网络与GAN式噪声注入

为何早期脑部影像重要

阿尔茨海默病会在很长时间内悄然夺走记忆和独立生活能力，常常在症状明显之前就已开始。家庭、医生和患者都希望能尽早识别疾病，以便在治疗和生活方式调整最有效的阶段介入。本研究描述了一种能读取常规脑部扫描并将人群按与阿尔茨海默相关的记忆衰退分为四个阶段的计算机系统，其准确率令人瞩目，可能为临床医生提供更快速、更廉价且更一致的第二意见。

更近距离地观察大脑

研究人员重点使用MRI扫描，这种扫描能在无需手术或辐射的情况下展示脑结构的细节。他们采用了来自一个大型国际项目——阿尔茨海默病神经影像计划（ADNI）的数据，参与者为55至90岁的志愿者，他们定期接受记忆测试和脑成像。从这些扫描中，团队提取了大脑的二维切片，并将其分为四组：无痴呆、非常轻度、轻度或中度痴呆。这一分法反映了阿尔茨海默在现实世界中的典型进展，即记忆和认知上的微小变化随着时间逐渐加重。

教计算机识别细微变化

研究者没有让人工专家手动挑选大脑区域和特征，而是训练了一个深度学习系统——在理念上类似于用于人脸识别或自动驾驶的系统——直接从图像中学习。他们的模型名为Neuro_CBAM-ADNet，是一种擅长识别图像中模式的卷积神经网络。当MRI图像在网络中传递时，经过堆叠的层级逐步检测边缘、纹理以及更复杂的形状，直到系统能够区分与不同痴呆阶段相关的模式，其中许多变化对肉眼而言过于微妙。

帮助计算机关注重要区域

一个关键创新是引入了“注意力”机制，温和地推动网络集中于扫描中最具信息量的部分。实际效果是，模型学习到随着阿尔茨海默进展哪些位置和内部特征会发生变化——例如与记忆和认知相关的区域——同时忽略不太相关的背景。研究人员还应对了医学数据中常见的问题：某些病程阶段远少于其他阶段，模型可能因此偏向多数类别。为了解决这一点，他们通过向现有扫描中注入经过精心控制的噪声来生成额外的训练图像，从而模拟真实患者的自然变异性，同时不扭曲底层解剖结构。

对系统进行检验

为评估系统运行的可靠性，团队在不同的数据子集上反复训练和测试模型，这一过程称为交叉验证。在五轮独立试验中，Neuro_CBAM-ADNet对痴呆分期的总体正确分类率约为98%，在敏感性（检测受影响病例）、精确性（避免误报）以及综合指标F1分数上也获得了类似的高分。该系统在区分明显不同的组（例如中度痴呆与无痴呆）方面表现尤为出色，大多数错误发生在相邻阶段之间，如无痴呆与非常轻度痴呆，这些情况即便专家也常有分歧。附加工具——Grad-CAM热图——显示了模型在做出每个决策时“大脑中看向”的位置，提供了可与已知疾病标志对比的可视线索。

对患者和医生意味着什么

简而言之，这项工作表明一个设计良好的人工智能系统能够读取脑部扫描，并以与或优于先前方法相当的稳定性将人群分为四个阿尔茨海默相关的衰退阶段。它在做出判断时还能指出驱动决策的大脑区域，这有助于增加临床医生的信任。尽管该工具仍需在不同医院和扫描设备上进行更广泛的测试，但它暗示了这样一种未来：常规MRI检查结合透明的人工智能，能够帮助发现早期脑部变化，支持更有把握的诊断，并在疾病尚未过度进展前指导治疗决策。

引用: Kumar, S., Shastri, S., Mansotra, V. et al. MRI neuroimaging-based Alzheimer’s disease stage classification using deep neural network with convolutional block attention module and GAN-style noise injection. Sci Rep 16, 6946 (2026). https://doi.org/10.1038/s41598-026-37226-2

关键词: 阿尔茨海默病, 脑部MRI, 深度学习, 早期诊断, 医学影像人工智能