AI助力阿爾茨海默病診斷，準確率突破99.4％

2025-06-05 10:07 Hanson臨床科研

Bringing medical advances from the lab to the clinic.
關鍵詞：AD；CNN；檢測；Scientific Reports
阿爾茨海默病（AD）是老年人中常見的神經退行性疾病之一，嚴重影響患者的記憶、認知能力和日常活動能力。隨著病情的進展，患者可能會出現心力衰竭和呼吸功能障礙等嚴重症狀，甚至危及生命。預計到2050年，全球每85人中就有1人患有AD，這凸顯了其日益增長的發病率。目前，AD的診斷主要依賴於臨床症狀和神經影像學檢查，但這些方法在早期診斷方面存在侷限性。
近年來，機器學習和深度學習技術在醫學影像分類中取得了顯著進展，尤其是在阿爾茨海默病的診斷中。然而，傳統的機器學習模型在處理MRI資料時存在準確率、泛化能力和資料效率問題，而深度學習模型則需要大量的計算資源和資料【1】。
Muhammad Zahid Hussain等研究學者在期刊 Scientific Reports上發表題為 A fine-tuned convolutional neural network model for accurate Alzheimer’s disease classification的研究【2】。本研究提出的基於遷移學習的卷積神經網路（CNN）模型在AD診斷中表現出色，其中 AlexNet 模型使用 Adam 最佳化器時在 Kaggle MRI 資料集上達到了 99.4% 的分類準確率，在 OASIS 資料庫上達到了 98.2% 的準確率，顯著提升了 AD 的早期診斷準確性。
（如需原文，請加微信healsana獲取，備註20250404SR-2）
主要研究結果
本研究使用了兩個MRI資料集：Kaggle資料集和OASIS資料庫，分別包含5000張和382張MRI影像。為了提高模型的泛化能力，研究者對Kaggle資料集進行了資料增強，包括垂直和水平翻轉以及旋轉，最終將資料集擴充套件到10,254張影像。研究者選擇了三種預訓練的CNN架構（AlexNet、GoogleNet和MobileNetV2），並分別使用三種最佳化器（Adam、隨機梯度下降SGD和均方根傳播RMSprop）進行訓練。透過調整不同的引數，研究者優化了模型的效能，並在訓練和測試資料集上評估了模型的準確性、精確度、召回率、F1分數、特異性和誤分類率等指標。
🔷  模型效能：
在Kaggle資料集上，AlexNet模型使用Adam最佳化器時達到了99.4%的分類準確率；在OASIS資料庫上，該模型達到了98.2%的準確率。這些結果表明，遷移學習顯著提高了AD診斷的準確性和效率。
🔷  不同階段的分類能力：
研究者對不同階段的AD（輕度痴呆、中度痴呆、非痴呆和非常輕度痴呆）進行了分類評估。結果顯示，AlexNet模型在輕度痴呆和中度痴呆類別上表現幾乎完美，但在非痴呆和非常輕度痴呆類別上存在一些誤分類。GoogleNet和MobileNetV2模型也表現出良好的效能，但在某些類別上存在更高的誤分類率。
🔷  最佳化器的影響：
研究發現，Adam最佳化器在所有CNN架構中均表現最佳，而SGD和RMSprop最佳化器雖然也取得了競爭性的結果，但總體上不如Adam。
編者按：

臨床意義和科研啟發：
本研究提出的基於遷移學習的CNN模型為AD的早期診斷提供了一種高效、準確的方法。該方法不僅提高了診斷的準確性，還減少了對大量計算資源和資料的需求，使其更適合於臨床應用。
未來的研究可以進一步探索該模型在其他MRI資料集上的泛化能力，並結合其他影像學模態（如PET或CT）以提高診斷的敏感性。此外，研究者還可以最佳化模型以適應即時臨床應用，提高診斷能力和改善患者護理。
Reference:
【1】Mehmood, A. et al. A transfer learning approach for early diagnosis of Alzheimer’s disease on MRI images. Neuroscience 460, 43–52 (2021).
【2】https://doi.org/10.1038/s41598-025-86635-2
作者：Amber Wang，微訊號：Healsana。助理：ChatGPT
征戰AD公眾號，以分享阿爾茨海默病領域最新研究為主旨，希望由此推動由實驗室向臨床應用的轉化。歡迎您的投稿與合作；也希望其他醫學科學家以推文的形式分享您的研究成果。
點選👆，關注AD研究進展
運營：美國Healsan諮詢公司AD專案組，專注於臨床科研及臨床試驗的服務公司，擅長於針對阿爾茨海默病的臨床科研設計及臨床試驗結果的報告撰寫。
網址：https://healsan.com/

相關文章