Ruhul Amin Hazarika^1,2，Debdatta Kandar¹，Arnab Kumar Maji¹

（1 .Department of Information Technology，North Eastern Hill University，Shillong 793022，Meghalaya，India，

2 .Department of Information Technology，Manipal Institute of Technology Bengaluru，Manipal Academy of Higher Education，Manipal 576104，India）

阿尔茨海默病（AD）是一种慢性神经退行性疾病，其特征是记忆力和认知能力明显下降。随着时间的推移，症状变得越来越严重，最终导致患者死亡。根据AD International的报告，2018年，全球约有5000万人患有AD相关的脑部疾病，预计到2050年，这一数字将增加三倍。老年痴呆症的主要目标年龄是60岁出头的人。在阿尔茨海默病中，大脑发生了显著的变化，特别是在涉及记忆和其他认知功能的区域，如海马和杏仁核。认知神经元首先受损，然后更多的灰色细胞萎缩，使患者无法进行最基本的操作，并与严重的认知障碍作斗争。

轻度认知障碍（Mild cognitive impairment，MCI）是一种过早的智力障碍，表现为一个或多个认知领域的临床退化，如记忆、认知和推理。MCI可以被认为是介于AD和认知正常（Cognitively Normal，CN）之间的痴呆阶段。MCI大致可分为两个主要部分：a）早期MCI（Eealy-MCI，EMCI），b）晚期MCI（Late-MCI，LMCI）。LMCI患者的痴呆症状比EMCI患者更严重。此外，从LMCI转化为AD的几率比EMCI大得多。因此，LMCI有时被称为AD的早期阶段（Eealy-AD，EAD）。研究表明，如果能够充分识别EAD，通过进行康复训练和治疗，可以减少约30％的AD转换。

在手工方法中，医学专家通过心理和身体检查来诊断AD。医生很难通过人工程序诊断AD，因为并非所有的身体检查都能产生可靠的结果，而且大脑的身体、精神和分子变化难以评估。此外，手工技术需要更多的时间和身体接触患者。正确处理神经图像可以产生相关的特征／生物标记物，可用于成功地对AD的不同阶段进行分类。由于复杂的组织结构，传统的成像工具很难从大脑图像中识别出有用的特征。因此，在这项工作中开发了基于深度神经网络（Deep Neural Network，DNN）的架构，以从每个类中提取最大数量的特征。

本文的工作框架可以分为三个部分；i）使用提出的DNN模型进行特征提取，ii）使用主成分分析（Principal Component Analysis，PCA）进行最佳特征选择，以及iii）使用随机森林（Random Forest ，RF）算法进行分类。以下是对这项工作的主要贡献摘要：

1、特征提取：主要动机是从输入类中提取最大可能的特征。

本文使用VGG-19设计了一个DNN用于特征提取。我们采用密集块方法来减少梯度消失和信息损失。不同的卷积滤波可以帮助模型学习更重要的特征，并通过整合各个方面来增强特征表示［39］。我们使用初始块概念将所有卷积层替换为三个同时较小的核卷积层（1×1，3×3和5×5），以提取异构特征。

在核磁共振图像（Magnetic Resonance Images，MRI）等低对比度图像中，低值和高值特征可能具有同等的相关信息。因此，从之前的工作中获得灵感，本文创建了一个新的池化层（MinPooling）来吸收最低值的特征。我们在模型中集成了MaxPooling和MinPooling层，并替换了所有的MaxPooling层。

2、特征选择：在提取尽可能多的特征后，想得到模型中最合适的特征。

特征选择是一种预测哪些特征在分类中最突出的方法。主成分分析（Principal Component Analysis，PCA）是一种广泛应用于各个领域的特征选择工具。由于PCA能够通过变异比计算选择最合适的参数，因此在医疗保健领域得到了广泛的应用。我们在研究中采用了基于PCA的特征选择策略。为了检验所选特征的有效性，我们使用了三个分类器（RF、ANN和SVM）来测试同一组特征，结果发现这三个分类器的效果都令人信服。

3、分类：对EAD和其他痴呆阶段进行分类。

随机森林（Random Forest， RF）易于设置和使用，采用聚合来提高预测性能，并通过在多个可能批次的数据上拟合许多分类树来最小化过拟合。在本研究中，为了对AD的早期和其他痴呆阶段进行分类，我们使用了基于RF的分类器。值得注意的是，该模型在对CN和EAD进行分类时的平均执行率为98％。该模型正确分类了EAD与AD、CN与AD、CN与EAD与CN，准确率分别为96 .67％、97 .5％和97.5％。同时，该方法在多类（CN、EAD和AD）分类测试中表现良好。与各种分类器（包括SVM和20个最流行的DNN模型）进行比较，评估了所建议方法的有效性。所提出的方法比任何其他已经讨论过的技术性能更加优秀。

资料来源：

根据Ruhul Amin Hazarika等于2024年发表在Multimedia Tools and Applications题目为《A novel machine learning based technique for classification of early-stage Alzheimer’s disease using brain images》的文章缩写整理而成。

（本文责任编辑：陈劭）