Durga Supriya HL1,2， Swetha Mary Thomas1,2，Dr. Sowmya Kamath S3
（1. National Institute of Technology Karnataka, India，
2. NH 66, Srinivasnagar, Surathkal, Mangalore, Karnataka - 575 025, India，
3. Healthcare Analytics and Language Engineering (HALE) Lab, Dept. of Information Technology, National Institute of Technology Karnataka, Surathkal, Srinivasnagar P.O., Mangaluru 575025 India）
随着老龄化人口的增长，阿尔茨海默病（Alzheimer’s Disease，AD）是全球范围内日益重要的公共卫生挑战。这种神经退行性疾病严重影响认知功能，导致记忆丧失、推理能力受损、语言缺陷，并最终无法执行日常任务。不幸的是，诊断AD充满了挑战。目前的临床方法严重依赖于神经心理学评估、患者病史和护理人员访谈，这些都是主观的，容易出错。此外，明确的确认通常需要尸检，这使得在患者的一生中难以进行早期和准确的诊断。仅仅依赖临床症状会给误诊、干预延误和错失早期治疗机会留下余地。尽管对阿尔茨海默病的潜在生物学机制进行了广泛的研究，但迫切需要创新的诊断方法来克服这些障碍。
阿尔茨海默病的诊断依赖于各种类型的数据，每种数据都提供了对病情的独特见解。通过患者访谈和检查获得的临床数据提供了有关症状进展和认知能力下降的重要信息。神经成像技术，如核磁共振成像（Magnetic Resonance Imaging，MRI）和正电子发射断层扫描（Positron Emission Tomography，PET）扫描，显示结构和功能的大脑异常，包括萎缩和异常的蛋白质沉积。认知评估提供了一段时间内认知功能的定量测量。然而，大多数现有的工作通常集中于利用MRI或PET扫描等单一类型的数据来可视化与AD相关的大脑结构和功能变化，而忽略了其他数据源。整合这些不同的数据源可提高诊断准确性，监测疾病进展，并确定潜在的治疗靶点。技术和跨学科方法的进步有望提高阿尔茨海默病的诊断和治疗策略，最终改善患者的预后和生活质量。
为了解决AD诊断的复杂性，本文的解决方案是采用以深度学习技术和MRI数据为中心的多模态方法。本文目标是利用人口统计学特征和认知评分以及MRI数据来增强模型的分析能力。本文逐渐引入额外的模态和纵向数据来评估模型的发展性能。这个迭代过程包括人口特征和认知评分与MRI数据的整合，最终形成一个综合模型，利用所有三种模态的优势。通过这种方法，开发一种能够准确检测AD进展的强大诊断工具，从而促进神经退行性疾病的诊断和管理。医学应用的另一个重要要求是可解释性。因此，本文结合了类激活映射机制来提供模型决策的可视化解释。这种对透明度和可解释性的强调不仅增强了临床医生对驱动诊断预测的特征的理解，而且还在决策过程中灌输了对模型可靠性的信心。
资料来源：
根据Durga Supriya HL等于2024年发表在IEEE Conference on computer Vision and Pattern Recognition题目为《A Multimodal Approach Integrating Convolutional and Recurrent Neural Networks for Alzheimer’s Disease Temporal Progression Prediction》的文章缩写整理而成。
（本文责任编辑：陈劭）
