杜昱崢，曹 慧，聶永琦，魏德健，馮妍妍

山東中醫(yī)藥大學(xué) 智能與信息工程學(xué)院，濟(jì)南 250355

阿爾茨海默病（Aizheimer’s disease，AD）是一種以認(rèn)知功能障礙為主要臨床特征的神經(jīng)系統(tǒng)退行性疾病[1]。目前常規(guī)的診斷方法是由醫(yī)生利用專業(yè)知識(shí)與臨床經(jīng)驗(yàn)判讀腦神經(jīng)影像，診斷效率依賴于醫(yī)護(hù)人員與圖像采集設(shè)備等醫(yī)療資源水平，可能因病患信息無(wú)法及時(shí)反饋導(dǎo)致漏診、誤診。因此，眾多學(xué)者開(kāi)發(fā)先進(jìn)的計(jì)算機(jī)輔助診斷（computer aided diagnosis，CAD）系統(tǒng)，輔助臨床醫(yī)生提高AD診斷效率與早期預(yù)測(cè)準(zhǔn)確性。

近年來(lái)，以深度學(xué)習(xí)方法為基礎(chǔ)的CAD系統(tǒng)在帕金森病、肌萎縮側(cè)索硬化癥以及AD等神經(jīng)退行性疾病診斷中取得了顯著成果[2-4]。深度學(xué)習(xí)方法通過(guò)構(gòu)建深層次網(wǎng)絡(luò)自動(dòng)提取圖像抽象特征，并在網(wǎng)絡(luò)架構(gòu)、全局或局部上下文信息提取、特征多尺度融合等方面進(jìn)行改進(jìn)，從而實(shí)現(xiàn)對(duì)受試者正常衰老類（normal control，NC）、進(jìn)展型輕度認(rèn)知障礙類（progressive mild cognitive impairment，pMCI）、穩(wěn)定型輕度認(rèn)知障礙類（stable mild cognitive impairment，sMCI）和阿爾茨海默病類（AD）四個(gè)不同階段[5]的分類診斷。隨著計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展，深度學(xué)習(xí)方法在圖像處理領(lǐng)域應(yīng)用越來(lái)越廣泛，先后涌現(xiàn)出許多經(jīng)典神經(jīng)網(wǎng)絡(luò)，特別是卷積神經(jīng)網(wǎng)絡(luò)[6]（convolutional neural network，CNN）。CNN是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，通過(guò)端到端的學(xué)習(xí)方式挖掘圖像深層特征，無(wú)需人工操作復(fù)雜的特征提取。CNN及其衍生模型在AD患者的病程診斷、早期預(yù)測(cè)領(lǐng)域展示出極大的應(yīng)用潛力[7-9]。

本文首先整理了阿爾茨海默病研究常用的數(shù)據(jù)集，其次介紹了基于深度學(xué)習(xí)的AD分類診斷方法，將其按照經(jīng)典深度學(xué)習(xí)網(wǎng)絡(luò)模型的改進(jìn)工作依次闡述；然后介紹深度學(xué)習(xí)網(wǎng)絡(luò)模型的可解釋性，以及對(duì)不同方法與改進(jìn)思路的優(yōu)劣勢(shì)進(jìn)行對(duì)比分析；最后結(jié)合深度學(xué)習(xí)在AD輔助診斷領(lǐng)域面臨的挑戰(zhàn)，對(duì)未來(lái)研究方向進(jìn)行展望。

1 數(shù)據(jù)集

數(shù)據(jù)集是開(kāi)展深度學(xué)習(xí)研究的重要因素之一。近年來(lái)，隨著醫(yī)療信息技術(shù)的發(fā)展，大規(guī)模、標(biāo)準(zhǔn)化的神經(jīng)影像數(shù)據(jù)集為深度學(xué)習(xí)在AD輔助診斷領(lǐng)域提供了支持。現(xiàn)全球公開(kāi)數(shù)據(jù)集的數(shù)據(jù)樣本豐富，研究人員可根據(jù)工作需求選擇對(duì)應(yīng)數(shù)據(jù)集的單模態(tài)數(shù)據(jù)或聯(lián)合多模態(tài)數(shù)據(jù)構(gòu)建輔助診斷模型。通過(guò)AD相關(guān)期刊的論文報(bào)告和相關(guān)開(kāi)源數(shù)據(jù)集網(wǎng)站對(duì)近年來(lái)有關(guān)AD數(shù)據(jù)集進(jìn)行整理和介紹，表1總結(jié)了阿爾茨海默病研究常用數(shù)據(jù)集。

表1 阿爾茨海默病研究常用數(shù)據(jù)集Table 1 Commonly used datasets of Alzheimer’s disease research

1.1 ADNI

ADNI[10]數(shù)據(jù)集分為：ADNI-1、ADNI-GO/2、ADNI-3三個(gè)階段。該數(shù)據(jù)集包括1 800多名受試者的磁共振成像（magnetic resonance imaging，MRI）、正電子發(fā)射斷層成像（positron emission tomography，PET）、擴(kuò)散張量成像（diffusion tensor imaging，DTI）、腦脊液生物標(biāo)志物以及基因生物標(biāo)記物數(shù)據(jù)等其他相關(guān)診斷信息。

1.2 OASIS

OASIS數(shù)據(jù)集包括OASIS-1、OASIS-2及OASIS-3三階段。OASIS-1提供416名18歲至96歲的參與者的橫斷面掃描成像[11]，每個(gè)參與者的每單次收集包括3或4個(gè)單獨(dú)的T1加權(quán)MRI掃描。OASIS-2提供150名60歲至96歲的參與者縱向掃描成像集合，每個(gè)參與者的收集次數(shù)為兩次或以上，訪問(wèn)時(shí)間間隔約為一年，共計(jì)收集373次掃描成像[12]。每個(gè)參與者的每單次收集包括3或4個(gè)單獨(dú)的T1加權(quán)MRI掃描。OASIS-3提供1 098名42歲至95歲參與者的不同掃描序列MRI以及來(lái)自不同示蹤劑的PET的回顧性匯編[13]。

1.3 AIBL

AIBL[14]數(shù)據(jù)集是一項(xiàng)對(duì)1 112名健康、MCI和AD患者的縱向研究，同時(shí)定期進(jìn)行隨訪和評(píng)估，周期為18個(gè)月。所有數(shù)據(jù)來(lái)自兩個(gè)中心（40%的受試者來(lái)自西澳大利亞的珀斯，60%來(lái)自維多利亞州的墨爾本）進(jìn)行收集，影像數(shù)據(jù)主要包含MRI、PET等。

1.4 MIRIAD

MIRIAD[15]數(shù)據(jù)集對(duì)46名輕中度AD受試者和23名對(duì)照者進(jìn)行縱向容積T1結(jié)構(gòu)MRI掃描。在規(guī)定的時(shí)間間隔內(nèi)（0、2、6、14、26、38和52周，以及18和24個(gè)月），使用相同的設(shè)備總共進(jìn)行798次掃描，AD患者總共2 199個(gè)掃描對(duì)，對(duì)照組總共1 182個(gè)掃描對(duì)，另外還包括性別、年齡和簡(jiǎn)易精神狀態(tài)量表等相關(guān)臨床信息。

1.5 NACC

NACC[16]數(shù)據(jù)集匯集美國(guó)29個(gè)阿爾茨海默病研究中心合作建立的統(tǒng)一900多個(gè)數(shù)據(jù)元素，按不同的數(shù)據(jù)集和元數(shù)據(jù)分組，包含68個(gè)數(shù)據(jù)元素（如種族、教育、性別、診斷、中風(fēng)、抑郁癥、DNA可用性、組織可用性、MRI可用性等）。

2 深度學(xué)習(xí)在AD分類診斷中的應(yīng)用

深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的分支，通過(guò)端到端的學(xué)習(xí)方式從龐大的訓(xùn)練樣本集中自動(dòng)提取神經(jīng)影像抽象特征信息從而獲得高精度的分類診斷模型。本章將深度學(xué)習(xí)在阿爾茨海默病分類診斷中的應(yīng)用方法按照基礎(chǔ)神經(jīng)網(wǎng)絡(luò)架構(gòu)分為6類，具體方法見(jiàn)圖1，重點(diǎn)總結(jié)卷積神經(jīng)網(wǎng)絡(luò)與多網(wǎng)絡(luò)融合的AD分類診斷方法。

圖1 深度學(xué)習(xí)在AD分類診斷中的應(yīng)用方法Fig.1 Application of deep learning in classification and diagnosis of AD

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、卷積層、池化層、全連接層、輸出層組成，其基本網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。CNN及其衍生模型在AD患者病程診斷、早期預(yù)測(cè)領(lǐng)域具有極大的應(yīng)用前景。根據(jù)卷積核的維數(shù)可將CNN方法分為2D CNN與3D CNN，兩者結(jié)構(gòu)對(duì)比如圖3所示。

圖2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 Convolutional neural network structure diagram

圖3 2D CNN和3D CNN結(jié)構(gòu)對(duì)比圖Fig.3 Comparison of 2D CNN and 3D CNN structures

2.1.1 2D CNN

2D CNN用于AD診斷通?；诙S腦神經(jīng)影像，如腦部MRI的矢狀面、橫斷面、冠狀面掃描2D切片，主要選自結(jié)構(gòu)或功能上預(yù)定義的大腦區(qū)域，并從每個(gè)區(qū)域提取具有代表性的特征。

Khagi等人[17]使用OASIS數(shù)據(jù)集調(diào)優(yōu)AlexNet提取2D MRI切片的矢狀面、橫斷面病變特征。但其識(shí)別性能依賴于初始預(yù)訓(xùn)練權(quán)重導(dǎo)致過(guò)濾MRI圖像冗余特征的能力較弱。為了去除圖像不相關(guān)特征，Lee等人[18]提出結(jié)合熵切片與去除離群值的特征選擇方法提取圖像局部信息，該模型在測(cè)試集中NC/AD的二分類準(zhǔn)確率達(dá)98.53%。

但是上述研究側(cè)重于篩選更有價(jià)值的多切片用于訓(xùn)練，很難捕捉圖像上細(xì)微的病變信息。為此，石磊等人[19]基于特征金字塔網(wǎng)絡(luò)（FPN）設(shè)計(jì)了一個(gè)深度特征增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)切片多尺度特征信息，實(shí)現(xiàn)了AD四種病程的分類診斷。Nawaz等人[20]同樣注重網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化，提出了一種Deep-CNN網(wǎng)絡(luò)。卷積層采用4～128 size的過(guò)濾器提取AD各階段分類的特征表示，但該算法的深層網(wǎng)絡(luò)結(jié)構(gòu)需占用大量訓(xùn)練時(shí)間。為解決上述問(wèn)題，Jain等人[21]基于篩選的MRI冠狀面切片微調(diào)預(yù)訓(xùn)練網(wǎng)絡(luò)VGG-16，降低訓(xùn)練時(shí)間成本。與上述文獻(xiàn)的網(wǎng)絡(luò)框架改進(jìn)不同，Saratxaga等人[22]在訓(xùn)練策略上做出嘗試，采用高效的CLR三角學(xué)習(xí)率策略構(gòu)建BrainNet2D卷積網(wǎng)絡(luò)用于AD分類，大大加快了診斷網(wǎng)絡(luò)收斂速度。

在AD分類診斷中，2D CNN往往通過(guò)增加網(wǎng)絡(luò)深度與復(fù)雜度提高模型的非線性表達(dá)能力，但該方式同時(shí)伴隨網(wǎng)絡(luò)參數(shù)量激增與梯度消散。為此，Tufail等人[23]采用深度可分離卷積構(gòu)建輕量級(jí)網(wǎng)絡(luò)，通過(guò)分離區(qū)域信息與通道卷積有效減少卷積運(yùn)算參數(shù)量。針對(duì)深度網(wǎng)絡(luò)的梯度問(wèn)題，Puente-Castro等人[24]在加深網(wǎng)絡(luò)的同時(shí)引入殘差學(xué)習(xí)思想，并將受試者性別、年齡等特征向量與模型全連接層連接，以提高模型拓展性和泛化性，但是簡(jiǎn)單融合人口統(tǒng)計(jì)學(xué)信息忽略了不同種族間AD發(fā)病機(jī)制的異質(zhì)性。為此，Bae等人[25]使用首爾國(guó)立大學(xué)本當(dāng)醫(yī)院（SNUBH）與ADNI兩跨種族數(shù)據(jù)集交叉訓(xùn)練網(wǎng)絡(luò)，AD識(shí)別準(zhǔn)確率在兩數(shù)據(jù)集中均達(dá)88%以上。為進(jìn)一步提升臨床應(yīng)用成熟度，張榮等人[26]通過(guò)遷移學(xué)習(xí)方法對(duì)二維MRI、PET圖像進(jìn)行特征提取，隨后采用Adaboost算法對(duì)多模態(tài)圖像特征進(jìn)行選擇融合，研究表明AD/MCI/NC多分類準(zhǔn)確率達(dá)92.8%。

上述研究均基于結(jié)構(gòu)磁共振成像（structural magnetic resonance imaging，sMRI），sMRI能夠量化大腦結(jié)構(gòu)上存在的全局或局部腦萎縮形態(tài)學(xué)改變，但部分認(rèn)知正常的老年人亦可能出現(xiàn)局部腦區(qū)體積縮小的情況。為克服sMRI影像形態(tài)學(xué)分析的局限，孔伶旭等[27]獲取患者功能性磁共振成像（functional magnetic resonance imaging，fMRI）用于診斷網(wǎng)絡(luò)，但不足之處在于fMRI成像高維性會(huì)導(dǎo)致網(wǎng)絡(luò)收斂時(shí)間過(guò)長(zhǎng)。為此，該研究采用輕量化網(wǎng)絡(luò)MobileNet提取切片的代表性特征，并將得到的瓶頸特征輸入到頂層實(shí)現(xiàn)分類，大幅度提高網(wǎng)絡(luò)訓(xùn)練效率。

上述分析可知，二維卷積神經(jīng)網(wǎng)絡(luò)的方法具有以下優(yōu)勢(shì)：（1）結(jié)合離群值去除、熵切片等特征選擇算法能夠提高二維切片圖像的特征利用率，有助于提高AD分類準(zhǔn)確性。（2）使用AlexNet等預(yù)訓(xùn)練模型作為初始化或特征提取器，節(jié)省了細(xì)致繁瑣的超參數(shù)步驟，可促進(jìn)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)的有效性。（3）MRI成像中具有豐富的腦部細(xì)節(jié)信息，有利于構(gòu)建更深層的二維卷積神經(jīng)網(wǎng)絡(luò)用以高精度識(shí)別診斷。（4）采用sMRI、fMRI多種磁共振成像方法揭示被試者腦結(jié)構(gòu)、腦功能多視角的潛在信息，能夠有效利用更加全面的神經(jīng)影像特征以提高AD診斷的精確度。

但該方法也存在以下問(wèn)題亟需解決：（1）對(duì)于MRI中立體的區(qū)域萎縮評(píng)估，二維卷積往往需要分析多個(gè)切面，導(dǎo)致特征提取十分粗略，并且不能完全捕捉圖像的空間信息。（2）2D CNN診斷模型通過(guò)遷移學(xué)習(xí)方法初始化網(wǎng)絡(luò)雖然能夠降低模型訓(xùn)練難度但在AD分類診斷實(shí)際應(yīng)用中對(duì)MRI等復(fù)雜神經(jīng)影像的目標(biāo)類型判別穩(wěn)定性偏低。（3）應(yīng)用于MRI的2D CNN深度學(xué)習(xí)算法往往基于單一尺度特征提取方法區(qū)分NC與AD人群，此二分類不能提供有效的早期腦部變化信息實(shí)現(xiàn)MCI階段的診斷與預(yù)測(cè)。（4）深層次的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)意味著需要處理大規(guī)模數(shù)據(jù)與大量參數(shù)，并且難以避免訓(xùn)練階段面臨的梯度消散和網(wǎng)絡(luò)性能退化等問(wèn)題。（5）選取MRI的2D分割切片通常只考慮大腦的中心部分，可能涉及的病變相關(guān)腦區(qū)研究范圍有限。

2.1.2 3D CNN

二維卷積神經(jīng)網(wǎng)絡(luò)基于MRI 2D切片分析AD時(shí)對(duì)圖像上下文信息的全局特征表達(dá)能力有限，易導(dǎo)致腦部空間與組織結(jié)構(gòu)等特征信息丟失。而三維卷積神經(jīng)網(wǎng)絡(luò)能更好地利用圖像3D特性并從中提取高分辨率特征，從而有效提升AD的分類精度。3D CNN用于AD診斷主要基于兩種方法：（1）以體素為單位定量分析全腦MRI圖像中不同腦組織的局部成分差異[28]，以此測(cè)量大腦區(qū)域是否發(fā)生腦萎縮的形態(tài)學(xué)方法；（2）選取AD的感興趣區(qū)域（region of interest，ROI）構(gòu)成三維圖像塊（如：海馬區(qū)），并從中提取高維腦圖像的細(xì)微局部病變特征的預(yù)定義方法。

Maqsood等人[29]將大腦灰質(zhì)、白質(zhì)、腦脊液的三維體素合并至一張圖像，利用遷移學(xué)習(xí)方法組合MRI腦區(qū)結(jié)構(gòu)的抽象特征表示，AD/NC得到89.6%的分類準(zhǔn)確率?？紤]到全腦體素特征的高維性，Basheera等人[30]基于獨(dú)立成分分析法提出一種逐體素3D CNN網(wǎng)絡(luò)。該模型針對(duì)灰質(zhì)體素特征顯示了良好的特異性和敏感性。為進(jìn)一步細(xì)化不同語(yǔ)義級(jí)別特征，趙尚義等人[31]提出一種融合多語(yǔ)義的三維卷積網(wǎng)絡(luò)，利用嵌套密集跨層路徑連接的方式提取不同強(qiáng)度語(yǔ)義的特征信息，但是該模型性能依賴于圖像預(yù)處理步驟。為了克服高標(biāo)準(zhǔn)樣本獲取困難的局限，Mehmood等人[32]微調(diào)VGG-19網(wǎng)絡(luò)捕獲三維MRI信號(hào)體素的空間特征，并結(jié)合數(shù)據(jù)增強(qiáng)方法優(yōu)化訓(xùn)練集，但其網(wǎng)絡(luò)結(jié)構(gòu)在提取高維度特征時(shí)會(huì)伴隨梯度問(wèn)題。為實(shí)現(xiàn)梯度優(yōu)化，Karasawa等人[33]提出一種基于ResNet的三維卷積AD診斷網(wǎng)絡(luò)，并且刪除了該網(wǎng)絡(luò)50%節(jié)點(diǎn)進(jìn)一步簡(jiǎn)化參數(shù)量。但實(shí)現(xiàn)模型壓縮與保持性能間的平衡仍具挑戰(zhàn)性。為此，陸小玲等人[34]向輕量化模型的道路探索，采用3D MobileNet網(wǎng)絡(luò)處理MRI切片，實(shí)驗(yàn)結(jié)果表明與傳統(tǒng)遷移學(xué)習(xí)方法相比AD分類準(zhǔn)確率提高了約8%。輕量化網(wǎng)絡(luò)在提升診斷性能與減少網(wǎng)絡(luò)參數(shù)方面具有一定的優(yōu)勢(shì)。

上述研究雖然在AD分類任務(wù)中都取得了良好性能，但復(fù)雜高維腦影像的特征選取與解析過(guò)程可能導(dǎo)致部分低級(jí)特征圖信息丟失。為此，杜麗君等人[35]將生成的低級(jí)特征圖輸入注意力卷積，將得到不同像素位置的注意力權(quán)重與特征對(duì)應(yīng)相乘以保留更多序列信息，并添加子輔助任務(wù)進(jìn)一步優(yōu)化分類結(jié)果，但是聯(lián)合多任務(wù)多類型數(shù)據(jù)學(xué)習(xí)易引起模型參數(shù)量增加。為此，Spvsov等人[36]構(gòu)建一種參數(shù)高效層，該層通過(guò)分組卷積與可分離卷積提高參數(shù)利用率，降低網(wǎng)絡(luò)訓(xùn)練成本。

上述基于三維體素的方法可以評(píng)估患者大腦解剖結(jié)構(gòu)的全局變化，但是對(duì)于高維腦圖像中局部小尺寸特征的提取能力較弱。為解決這一問(wèn)題，眾多研究選擇AD患者影像中特定感興趣區(qū)域（ROI）的候選框作為卷積神經(jīng)網(wǎng)絡(luò)的特征輸入。曾安等人[37]在不預(yù)定義ROI的前提下采用不同全連接層結(jié)構(gòu)的3D CNN網(wǎng)絡(luò)識(shí)別MRI，研究發(fā)現(xiàn)其分類效果均次于3D CNN-ROI方法。為進(jìn)一步挖掘大腦異常變化的微觀特征，Zhu等人[38]提出一種帶有空間注意力塊的patch-net提取ROI小塊的判別特征，以此提高模型分類精度。但是重點(diǎn)區(qū)域的選取對(duì)后續(xù)實(shí)現(xiàn)精準(zhǔn)診斷同樣非常重要。為了避免忽略重點(diǎn)ROI，魏志宏等人[39]綜合大腦中海馬、灰質(zhì)等多個(gè)腦區(qū)ROIs，并增加網(wǎng)絡(luò)中間層的連接和輸出實(shí)現(xiàn)多類型特征整合，但是該方法不足之處在于以腦組織分割等預(yù)處理操作為前提。

研究表明，海馬是驗(yàn)證AD最有效、最容易獲得的生物標(biāo)志物之一[40-41]，但現(xiàn)有的圖像處理技術(shù)針對(duì)MRI影像的海馬分割速度和精度較低。為解決海馬體分割工作效率不高的問(wèn)題，顏宇等人[42]提出一種含注意力機(jī)制的U形3D CNN用于海馬體分割。該網(wǎng)絡(luò)通過(guò)復(fù)用低層級(jí)的空間信息完成腦組織高效分割，但是并未實(shí)現(xiàn)海馬分割和AD診斷流程一體化。為此，Sun等人[43]基于V-Net提出一個(gè)端到端的雙功能卷積網(wǎng)絡(luò)，將AD病理狀態(tài)分類與海馬體分割結(jié)合，實(shí)現(xiàn)了海馬形態(tài)變化與AD進(jìn)展的相關(guān)性分析。

患者腦萎縮在AD早期階段難以察覺(jué)，通過(guò)MRI的結(jié)構(gòu)成像發(fā)現(xiàn)病變難度較大，三維卷積神經(jīng)網(wǎng)絡(luò)分析fMRI、PET等高維腦功能成像能夠反映病變腦區(qū)的代謝變化，在AD早期診斷研究中得以應(yīng)用。林萬(wàn)云等人[44]提出一種“前小后大”的策略改進(jìn)3D CNN的卷積核尺寸和步長(zhǎng)，基于PET成像有效檢測(cè)局部腦代謝變化，結(jié)果顯示AD早期預(yù)測(cè)準(zhǔn)確率達(dá)71.19%。但是相比PET成像，fMRI成像的臨床應(yīng)用更為普遍。為此，賈洪飛等人[45]提出一種基于fMRI圖像轉(zhuǎn)換結(jié)合改進(jìn)3DPCANet模型對(duì)AD不同階段患者進(jìn)行分類?？紤]到fMRI可以實(shí)現(xiàn)多種功能水平的圖像轉(zhuǎn)換，Jia等人[46]采用CCA典型相關(guān)分析思想融合兩種轉(zhuǎn)換類型的圖像特征，提高了輸入的功能圖像變換的魯棒性。

上述分析可知，三維卷積神經(jīng)網(wǎng)絡(luò)的方法具有以下優(yōu)勢(shì)：（1）三維卷積神經(jīng)網(wǎng)絡(luò)能夠充分利用MRI圖像體素間的三維空間結(jié)構(gòu)信息，提取表達(dá)性更強(qiáng)和更具臨床意義的語(yǔ)義特征，從而實(shí)現(xiàn)AD疾病的精準(zhǔn)診斷。（2）基于體素的方法可以定量檢測(cè)腦組織的密度差異，無(wú)需對(duì)感興趣區(qū)域先驗(yàn)假設(shè)，具有客觀性、全面性。（3）基于ROI圖像塊的方法可以充分利用MRI影像的有效信息，提取高維腦圖像的細(xì)微局部特征。（4）綜合多個(gè)ROI特征信息，不僅能避免數(shù)據(jù)來(lái)源較為單一的局限性而且能利用各腦區(qū)之間可能存在的聯(lián)系與相互間的影響。（5）三維卷積神經(jīng)網(wǎng)絡(luò)基于PET等腦功能成像分析腦部相關(guān)區(qū)域的代謝變化，對(duì)AD的早期診斷及鑒別診斷特異性和靈敏性較高，為疾病的早期干預(yù)提供了可能。

但該方法也存在以下問(wèn)題亟需解決：（1）分析全腦MRI圖像時(shí)提取的特征向量具有高維性，神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間長(zhǎng)、計(jì)算參數(shù)量大、計(jì)算資源要求及成本高，未來(lái)研究方向需要在保持網(wǎng)絡(luò)性能的前提下，向輕量化模型的道路探索。（2）在AD分析領(lǐng)域訓(xùn)練三維卷積神經(jīng)網(wǎng)絡(luò)需要的樣本數(shù)據(jù)量大，而且缺乏像ImageNet的大規(guī)模標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)，采用加深網(wǎng)絡(luò)結(jié)構(gòu)的方法提升性能可能會(huì)因樣本量不足而發(fā)生過(guò)擬合。（3）所有患病人群腦功能病變異常不總是發(fā)生在相同的所選ROI腦區(qū)，固定相同的腦區(qū)可能會(huì)導(dǎo)致丟失用以區(qū)分患者的關(guān)鍵信息。（4）提取分析海馬可以為腦病理狀態(tài)分類提供更有針對(duì)性的特征，現(xiàn)有的CAD算法中，同時(shí)實(shí)現(xiàn)海馬分割和AD診斷的端到端高精度模型性能還有待優(yōu)化。（5）針對(duì)fMRI多種功能水平的圖像轉(zhuǎn)換，今后需設(shè)計(jì)多類型轉(zhuǎn)換圖像研究高魯棒性的特征融合算法以獲得圖像間最相關(guān)分類特征，從而增強(qiáng)AD鑒別能力。

2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)（recursive neural network，RNN）[47]是一種基于非參數(shù)序列的學(xué)習(xí)方法，隱藏層中的神經(jīng)元相互連接傳輸數(shù)據(jù)信息，并表達(dá)數(shù)據(jù)之間的相關(guān)性。阿爾茨海默病屬于時(shí)間依賴性神經(jīng)退行性疾病。與CNN相比，RNN可以處理時(shí)間序列數(shù)據(jù)以學(xué)習(xí)時(shí)間依賴性。在患者臨床癥狀出現(xiàn)前，對(duì)時(shí)間序列上的臨床表現(xiàn)進(jìn)行綜合分析，有望對(duì)患者的病情進(jìn)展、發(fā)病時(shí)間等進(jìn)行預(yù)測(cè)。

長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（long short-term memory，LSTM）[48]在標(biāo)準(zhǔn)RNN中引入門控單元概念，解決了傳統(tǒng)RNN的梯度消失問(wèn)題，使其更加適合分析時(shí)序臨床特征，從而實(shí)現(xiàn)病情預(yù)測(cè)，其基本網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.4 Long short-term memory network structure diagram

Pelka等人[49]采用LSTM學(xué)習(xí)MRI切片的序列間相關(guān)信息進(jìn)行AD早期預(yù)測(cè)，pMCI患者的識(shí)別準(zhǔn)確率達(dá)78%。該方法側(cè)重于分析MRI切片間縱向動(dòng)態(tài)，但對(duì)大腦海馬區(qū)域時(shí)間縱向特征的提取能力偏弱。為此，Li等人[50]利用海馬區(qū)一年內(nèi)的縱向測(cè)量信息訓(xùn)練LSTM網(wǎng)絡(luò)，但是在預(yù)測(cè)時(shí)間序列的臨床研究中不可避免部分?jǐn)?shù)據(jù)缺失問(wèn)題。為解決上述問(wèn)題，Ghazi等人[51]調(diào)整LSTM網(wǎng)絡(luò)的損失權(quán)重來(lái)緩解缺失值問(wèn)題，采用批量梯度下降法更新權(quán)重參數(shù)，有效緩解了數(shù)據(jù)缺失的影響，但是批量梯度下降可能會(huì)占用大量運(yùn)行時(shí)間，因此還需研究適宜的模型訓(xùn)練算法優(yōu)化訓(xùn)練時(shí)間。

上述分析可知，循環(huán)神經(jīng)網(wǎng)絡(luò)的方法具有以下優(yōu)勢(shì)：（1）充分從患者時(shí)間間隔的隨訪數(shù)據(jù)中提取動(dòng)態(tài)時(shí)序特征，以此加速AD的早期診斷進(jìn)程。（2）對(duì)于不規(guī)則的采集臨床數(shù)據(jù)，RNN能夠使輸入數(shù)據(jù)在維度變化中保持穩(wěn)定，并且擁有長(zhǎng)期儲(chǔ)存數(shù)據(jù)的能力。

但該方法也存在以下問(wèn)題亟需解決：（1）應(yīng)用時(shí)間間隔較長(zhǎng)的隨訪數(shù)據(jù)時(shí)會(huì)產(chǎn)生非常大的計(jì)算量和運(yùn)算時(shí)間。（2）LSTM雖然解決了傳統(tǒng)RNN存在的梯度問(wèn)題，但是在小數(shù)據(jù)集上的分類精度并不理想。

因此，在高質(zhì)量圖像樣本不足及標(biāo)注困難的局限下，自動(dòng)編碼器、深度置信網(wǎng)絡(luò)、生成式對(duì)抗網(wǎng)絡(luò)因其不依賴于數(shù)據(jù)標(biāo)簽的優(yōu)勢(shì)為無(wú)監(jiān)督深度學(xué)習(xí)提供了一個(gè)重要的技術(shù)研究方向。

2.3 自動(dòng)編碼器

自動(dòng)編碼器（auto encoder，AE）[52]，是一種無(wú)監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)。AE由編碼器和解碼器組成，其網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。編碼器在網(wǎng)絡(luò)前向傳播過(guò)程中對(duì)特征圖進(jìn)行降維壓縮，以此刪除圖像的冗余信息，解碼器再利用特征圖重構(gòu)輸入圖像。

圖5 自動(dòng)編碼器結(jié)構(gòu)圖Fig.5 Auto-encoder structure diagram

18氟-氟代脫氧葡萄糖PET成像可用于評(píng)估大腦局部葡萄糖代謝活性[53]，但是PET的臨床低普及度導(dǎo)致標(biāo)記訓(xùn)練樣本量較少。為此Hong等人[54]采用變分自編碼器無(wú)監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)解決PET標(biāo)記數(shù)據(jù)量不足的問(wèn)題，并且結(jié)合層次凝聚聚類算法組織特征，量化腦內(nèi)蛋白軌跡用以推斷病程進(jìn)展，但是單一模態(tài)的數(shù)據(jù)集質(zhì)量參差不齊可能會(huì)引起各個(gè)模型間的性能差異性。為此，Kim等人[55]通過(guò)融合MRI和PET多模態(tài)數(shù)據(jù)提升模型分類性能，提出了一種堆疊多層神經(jīng)網(wǎng)絡(luò)sELM-AE。該網(wǎng)絡(luò)采用堆疊多層AE增強(qiáng)各模態(tài)復(fù)雜特征模式的表達(dá)能力，但是模型在處理高維的多模態(tài)數(shù)據(jù)時(shí)存在計(jì)算量大、圖像配準(zhǔn)困難等問(wèn)題。

上述分析可知，自動(dòng)編碼器的方法具有以下優(yōu)勢(shì)：（1）一定程度上解決了因大量未標(biāo)注圖像（如：PET）或標(biāo)注圖像不可用導(dǎo)致模型訓(xùn)練困難的問(wèn)題。（2）堆疊多層網(wǎng)絡(luò)的逐層訓(xùn)練方式能夠?qū)υ夹蛄薪稻S，有助于利用有限的神經(jīng)影像數(shù)據(jù)學(xué)習(xí)到高度復(fù)雜模式的特征表示。

但該方法也存在以下問(wèn)題亟需解決：（1）雖然堆疊AE可以自由選擇提取特征的維度，但是網(wǎng)絡(luò)調(diào)整和優(yōu)化模型參數(shù)的難度大。（2）在處理高維的多模態(tài)數(shù)據(jù)時(shí)存在計(jì)算量大、圖像配準(zhǔn)困難等問(wèn)題。（3）堆疊自編碼器網(wǎng)絡(luò)往往伴隨高計(jì)算量與長(zhǎng)收斂時(shí)間。后續(xù)研究可嘗試模型輕量化等網(wǎng)絡(luò)結(jié)構(gòu)化裁剪方法，在保證模型性能的基礎(chǔ)下穩(wěn)定的壓縮計(jì)算量。

在無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)模型中，深度置信網(wǎng)絡(luò)能夠通過(guò)預(yù)訓(xùn)練初始化權(quán)網(wǎng)絡(luò)權(quán)重提升網(wǎng)絡(luò)收斂速度。

2.4 深度置信網(wǎng)絡(luò)

深度置信網(wǎng)絡(luò)（deep belief network，DBN）[56]與上述AE的作用類似，可以通過(guò)無(wú)監(jiān)督學(xué)習(xí)方式對(duì)輸入數(shù)據(jù)進(jìn)行高維特征表示。DBN由可視層、分類層和若干個(gè)隱藏層組成，其網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。DBN的隱藏層由多個(gè)受限玻爾茲曼機(jī)（restricted Boltzmann machine，RBM）構(gòu)建，各層之間存在對(duì)稱連接，但是層內(nèi)的神經(jīng)元無(wú)任何連接。DBN中每次只訓(xùn)練一層RBM，當(dāng)前層的輸出作為下一層RBM的輸入，直至完成DBN中所有RBM層的訓(xùn)練，最后使用wake-sleep算法進(jìn)行調(diào)優(yōu)[57]。

圖6 深度置信網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.6 Deep belief network structure diagram

DBN網(wǎng)絡(luò)通過(guò)疊加多層RBM解析神經(jīng)影像中復(fù)雜的非線性特征表示。Shen等人[58]提出一種三層RBM的DBN網(wǎng)絡(luò)基于腦PET成像提取MCI的鑒別特征。由于pMCI與sMCI類間差異較小，僅依靠單模態(tài)PET圖像容易受信息量不足等因素影響。為此，Zhou等人[59]綜合MRI和PET多模態(tài)成像提出一種稀疏響應(yīng)網(wǎng)絡(luò)SR-DBN，結(jié)合主成分分析算法獲取兩模態(tài)圖像的高層語(yǔ)義信息，但是DBN網(wǎng)絡(luò)初始權(quán)值一定程度上具有指向性，可能與目標(biāo)多模態(tài)學(xué)習(xí)任務(wù)存在較大差異。

上述分析可知，深度置信網(wǎng)絡(luò)的方法具有以下優(yōu)勢(shì)：（1）DBN可以通過(guò)無(wú)監(jiān)督的特征學(xué)習(xí)方式保留高維度神經(jīng)影像數(shù)據(jù)的深層次特征，適用于高維標(biāo)簽數(shù)據(jù)樣本不足的模型訓(xùn)練。（2）逐層訓(xùn)練RBM方式為整個(gè)DBN網(wǎng)絡(luò)賦予了較好的初始權(quán)值，解決了深層次神經(jīng)網(wǎng)絡(luò)的優(yōu)化問(wèn)題。

但該方法也存在以下問(wèn)題亟需解決：（1）DBN的無(wú)監(jiān)督預(yù)訓(xùn)練對(duì)初始權(quán)值一定程度上具有指向性，需結(jié)合適當(dāng)?shù)娜謱?yōu)算法對(duì)DBN的初始權(quán)值進(jìn)行優(yōu)化。（2）在多模態(tài)數(shù)據(jù)融合的復(fù)雜分類診斷任務(wù)中網(wǎng)絡(luò)訓(xùn)練難度大，模型分類精度和魯棒性表現(xiàn)不理想。

無(wú)論是有監(jiān)督或無(wú)監(jiān)督的深度學(xué)習(xí)方法都需要海量的數(shù)據(jù)作為支撐。近年來(lái)，生成式對(duì)抗網(wǎng)絡(luò)以其圖像生成領(lǐng)域的優(yōu)勢(shì)在無(wú)監(jiān)督學(xué)習(xí)研究中掀起熱潮。

2.5 生成式對(duì)抗網(wǎng)絡(luò)

生成式對(duì)抗網(wǎng)絡(luò)（generative adversarial network，GAN）[60]為深度學(xué)習(xí)提供了一種新穎有效的數(shù)據(jù)建模方式。GAN由生成器和鑒別器組成，其網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。生成器通過(guò)模仿真實(shí)圖像合成新圖像來(lái)混淆鑒別器，同時(shí)鑒別器也不斷地加強(qiáng)鑒偽能力，利用兩個(gè)神經(jīng)網(wǎng)絡(luò)之間相互博弈形成對(duì)抗性關(guān)系。這種對(duì)抗性學(xué)習(xí)方式使GAN不斷增強(qiáng)高級(jí)語(yǔ)義信息的特征表達(dá)能力，通過(guò)無(wú)監(jiān)督學(xué)習(xí)生成偽標(biāo)簽，可以有效解決小樣本訓(xùn)練集問(wèn)題。

圖7 生成式對(duì)抗網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.7 Generative adversarial network structure diagram

考慮到AD分類診斷的深度學(xué)習(xí)方法需要大量的訓(xùn)練數(shù)據(jù)，因此基于GAN的數(shù)據(jù)增強(qiáng)技術(shù)被廣泛應(yīng)用于不同的神經(jīng)影像。Islam等人[61]提出采用深度卷積生成式對(duì)抗網(wǎng)絡(luò)（deep convolutional generative adversarial networks，DCGAN）合成不同階段的PET圖像，有效克服了訓(xùn)練樣本的類別不平衡問(wèn)題。與PET圖像相比，MRI圖像數(shù)據(jù)量大，GAN主要用于擴(kuò)充其高質(zhì)量的圖像訓(xùn)練集。Yu等人[62]采用三重博弈訓(xùn)練策略以提高M(jìn)RI圖像質(zhì)量，該研究受Odena等人[63]的啟發(fā)，增加3D DenseNet輔助鑒別器。但三重對(duì)抗方法會(huì)增大網(wǎng)絡(luò)訓(xùn)練難度，加重網(wǎng)絡(luò)訓(xùn)練的不穩(wěn)定性，導(dǎo)致在單一模態(tài)數(shù)據(jù)有限的條件下強(qiáng)化特征的能力降低。為此，潘偉博等人[64]將GAN應(yīng)用于MRI和PET多模態(tài)融合。該方法利用3D循環(huán)對(duì)抗生成網(wǎng)絡(luò)補(bǔ)全PET數(shù)據(jù)，并且使用分層分解策略捕獲共享潛在表示，MCI/AD分類準(zhǔn)確率為79.0%。

上述分析可知，生成式對(duì)抗網(wǎng)絡(luò)的方法具有以下優(yōu)勢(shì)：（1）為AD分類診斷模型訓(xùn)練提供多類別、高質(zhì)量的神經(jīng)影像，幫助深度網(wǎng)絡(luò)獲得充分訓(xùn)練，最終達(dá)到良好的分類性能。（2）GAN能結(jié)合其他先進(jìn)的網(wǎng)絡(luò)模型構(gòu)建深度生成模型。（3）GAN在融合多模態(tài)數(shù)據(jù)的分類任務(wù)中通過(guò)學(xué)習(xí)不同模態(tài)數(shù)據(jù)間的關(guān)聯(lián)性補(bǔ)齊缺失數(shù)據(jù)，為多模態(tài)診斷模型的模態(tài)缺失問(wèn)題提供了有效解決方法。

但該方法也存在以下問(wèn)題亟需解決：（1）生成器與鑒別器的訓(xùn)練過(guò)程需保持良好的交替同步，網(wǎng)絡(luò)訓(xùn)練不穩(wěn)定可能會(huì)導(dǎo)致網(wǎng)絡(luò)崩潰無(wú)法收斂。（2）生成圖像質(zhì)量與神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)有著直接聯(lián)系，綜合設(shè)計(jì)合適的網(wǎng)絡(luò)架構(gòu)以保證生成圖像的有效性與多樣性。（3）為多模態(tài)數(shù)據(jù)補(bǔ)齊缺失模態(tài)的生成模型，無(wú)法為數(shù)據(jù)間的潛在關(guān)聯(lián)提供良好的可解釋性。

綜上所述，CNN、RNN等單網(wǎng)絡(luò)方法具有訓(xùn)練速度快、計(jì)算成本低等優(yōu)點(diǎn)，在AD診斷中廣泛應(yīng)用。由于AD病理特征的復(fù)雜性與多樣性，單網(wǎng)絡(luò)無(wú)法從成像方式復(fù)雜的神經(jīng)影像中充分學(xué)習(xí)更深層次的數(shù)據(jù)特征，滿足對(duì)AD診斷精準(zhǔn)度、速度等需求。所以，眾多學(xué)者針對(duì)多網(wǎng)絡(luò)融合方法的應(yīng)用價(jià)值進(jìn)行探討。

2.6 多網(wǎng)絡(luò)融合

多網(wǎng)絡(luò)融合是一種通過(guò)聯(lián)立兩個(gè)或以上的網(wǎng)絡(luò)架構(gòu)，實(shí)現(xiàn)對(duì)AD分類診斷的深度學(xué)習(xí)方法。按照基于深度學(xué)習(xí)技術(shù)的AD分類診斷方法中多網(wǎng)絡(luò)架構(gòu)的融合方式，可將其分為多網(wǎng)絡(luò)級(jí)聯(lián)和多網(wǎng)絡(luò)集成。

2.6.1 多網(wǎng)絡(luò)級(jí)聯(lián)

多網(wǎng)絡(luò)級(jí)聯(lián)指多個(gè)網(wǎng)絡(luò)串聯(lián)完成AD分類診斷，即后一個(gè)網(wǎng)絡(luò)的輸入為前一個(gè)網(wǎng)絡(luò)的輸出，采用構(gòu)建多個(gè)神經(jīng)網(wǎng)絡(luò)的策略增強(qiáng)多級(jí)特征融合表達(dá)，進(jìn)而實(shí)現(xiàn)阿爾茨海默病的一體化精準(zhǔn)診斷。

Aqeel等人[65]提出了一個(gè)基于LSTM的混合神經(jīng)網(wǎng)絡(luò)，LSTM后級(jí)聯(lián)一個(gè)多層感知機(jī)網(wǎng)絡(luò)用于AD分類，而LSTM的特征提取性能將直接影響最終分類效果。為此，Xia等人[66]構(gòu)建一個(gè)雙網(wǎng)絡(luò)架構(gòu)用于特征計(jì)算，如圖8所示。前網(wǎng)絡(luò)的特征圖輸入到3D CLSTM中進(jìn)一步提取深層次空間結(jié)構(gòu)特征，能有效捕捉MRI圖像的高維特征信息。但是該方法在高維數(shù)據(jù)量偏小的情況下很難提取大腦萎縮區(qū)域信息。為此，Jin等人[67]提出了一種新型無(wú)監(jiān)督學(xué)習(xí)的對(duì)抗自編碼器網(wǎng)絡(luò)定位患者ROI腦區(qū)，通過(guò)重構(gòu)MRI與原始的差異圖像判別AD，如圖9所示。該方法通過(guò)計(jì)算差異圖捕捉患者ROI腦區(qū)，一定程度上克服了高維標(biāo)注數(shù)據(jù)匱乏導(dǎo)致訓(xùn)練困難的問(wèn)題。

圖8 3D CNN+3D CLSTM級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.8 3D CNN+3D CLSTM cascaded neural network structure diagram

圖9 文獻(xiàn)[67]對(duì)抗自編碼器網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.9 AAE network structure diagram in[67]

為了進(jìn)一步提高診斷效率，一部分研究直接選取最早受到AD影響的海馬區(qū)進(jìn)行分析。Li等人[68]在雙側(cè)海馬掩膜上構(gòu)建多通道三維-二維卷積神經(jīng)網(wǎng)絡(luò)識(shí)別AD，但該算法的診斷性能受限于海馬分割精度。為此，Cui等人[69]在局部海馬圖像塊上構(gòu)造DenseNet網(wǎng)絡(luò)，并采用球面諧波系數(shù)優(yōu)化提取表面形狀特征。這不僅省略了繁瑣的腦組織分割步驟，而且可以有效綜合海馬的局部與全局特征。上述基于全腦或ROI腦區(qū)MRI的單一影像進(jìn)行鑒別診斷可能存在假性結(jié)果，綜合受試者多類別影像檢查有助于捕獲更豐富的病理信息，提高診斷質(zhì)量。為此，F(xiàn)eng等人[70]基于多模態(tài)數(shù)據(jù)應(yīng)用級(jí)聯(lián)RNN學(xué)習(xí)圖像深層隱藏特征，采用MRI與PET多模態(tài)數(shù)據(jù)構(gòu)建3DCNN與LSTM級(jí)聯(lián)網(wǎng)絡(luò)，但在面臨模態(tài)數(shù)據(jù)缺失時(shí)可能會(huì)影響分類診斷結(jié)果，因此還需挖掘模態(tài)之間的潛在聯(lián)系進(jìn)一步提高多模態(tài)模型性能。

上述分析可知，多網(wǎng)絡(luò)級(jí)聯(lián)的方法具有以下優(yōu)勢(shì)：（1）綜合各種單一網(wǎng)絡(luò)的優(yōu)點(diǎn)，各網(wǎng)絡(luò)分工協(xié)作完成AD分類任務(wù)，有利于減少負(fù)荷的工作量。（2）不僅能從原始數(shù)據(jù)中快速篩選特征，而且能進(jìn)一步融合多尺度深層特征，構(gòu)建多級(jí)特征表達(dá)從而輔助AD的精準(zhǔn)診斷。（3）將多模態(tài)融合和分類統(tǒng)一到一個(gè)模型中，通過(guò)學(xué)習(xí)不同模態(tài)的共享特征表示來(lái)挖掘相連腦結(jié)構(gòu)特征關(guān)系。

但該方法也存在以下問(wèn)題亟需解決：（1）后網(wǎng)絡(luò)對(duì)前網(wǎng)絡(luò)的依賴性很大，如果前一個(gè)網(wǎng)絡(luò)的輸出結(jié)果不理想，則可能直接導(dǎo)致后一個(gè)網(wǎng)絡(luò)失效。（2）多網(wǎng)絡(luò)雖然能有效提取大腦圖像中的深層特征，但是在特征融合過(guò)程中會(huì)產(chǎn)生特征冗余，從而影響全連接層網(wǎng)絡(luò)的分類性能。（3）考慮到多模態(tài)技術(shù)的實(shí)際臨床應(yīng)用，并不是所有AD受試者均能提供完整的模態(tài)數(shù)據(jù)。模型可能受其中一模態(tài)數(shù)據(jù)丟失的影響，導(dǎo)致診斷性能下降。

2.6.2 多網(wǎng)絡(luò)集成

隨著網(wǎng)絡(luò)級(jí)聯(lián)次數(shù)的增加可能會(huì)引起過(guò)擬合，可以通過(guò)集成方式降低過(guò)擬合風(fēng)險(xiǎn)。多網(wǎng)絡(luò)集成采用構(gòu)建多個(gè)基分類器的集成算法進(jìn)行腦圖像分類，即對(duì)來(lái)自多個(gè)網(wǎng)絡(luò)結(jié)構(gòu)的分類結(jié)果采用投票策略輸出最終決策。根據(jù)MRI的輸入特征，可以將AD診斷的集成學(xué)習(xí)方法分為多切片集成與多圖像塊集成。

Zeng等人[71]選取三個(gè)維度面上的MRI 2D切片進(jìn)行訓(xùn)練，將獲得的CNN集成分類器用于AD分類。其基分類器結(jié)構(gòu)如圖10所示，能夠有效利用同一腦區(qū)中不同方向上的特征信息。為進(jìn)一步提高模型的準(zhǔn)確率和穩(wěn)定性，Kang等人[72]在集成網(wǎng)絡(luò)中引入遷移學(xué)習(xí)，提出DCGAN和CNN的集成方法。該網(wǎng)絡(luò)集成VGG16、ResNet50、DCGAN的鑒別器三個(gè)分類器，可以有效緩解數(shù)據(jù)匱乏對(duì)模型性能提升的局限。但是以上研究忽略了AD惡化漸進(jìn)性這一重要特征，為此，Liang等人[73]提出將Time-LSTM模塊集成到多任務(wù)學(xué)習(xí)框架，聯(lián)合多時(shí)間點(diǎn)縱向任務(wù)建立AD預(yù)測(cè)模型。該模型在預(yù)測(cè)60個(gè)月內(nèi)MCI進(jìn)展為AD具有最佳的診斷效力。

圖10 MRI 2D切片基分類器結(jié)構(gòu)圖Fig.10 MRI 2D slice based classifier structure diagram

上述研究通過(guò)集成多個(gè)2D切片用于特征計(jì)算，但集成3D圖像塊的方法學(xué)習(xí)到的特征更適合于提取高維腦MRI圖像的細(xì)微特征。Raju等人[74]沿橫斷面方向取27塊圖像塊輸入多層集成3D CNN網(wǎng)絡(luò)提取特征，NC/AD二分類準(zhǔn)確率達(dá)到97.77%。但是采用固定尺度提取圖像塊的方式帶來(lái)了巨大的參數(shù)計(jì)算量。為此，Wang等人[75]引入密集連接減輕計(jì)算壓力。該網(wǎng)絡(luò)構(gòu)建3D DenseNet作為基分類器，結(jié)構(gòu)如圖11所示。并且在DenseNet的兩DenseBlock之間增加1×1×1的卷積操作，同時(shí)保證特征提取的快速性與精確性。但是為了避免有效腦區(qū)遺漏，往往圖像塊劃定的范圍較大，導(dǎo)致全腦影像特征利用率低。Li等人[76]通過(guò)K均值聚類方法劃分三維圖像塊簇來(lái)提高特征利用率。該方法將相似腦組織圖像小塊進(jìn)行聚類，可獲得較好的圖像方差魯棒性。上述研究針對(duì)網(wǎng)絡(luò)集成網(wǎng)絡(luò)架構(gòu)改進(jìn)，為了進(jìn)一步提高模型對(duì)AD診斷的適應(yīng)能力，Pan等人[77]結(jié)合AD臨床病因改進(jìn)網(wǎng)絡(luò)的融合算法。該集成網(wǎng)絡(luò)采用遺傳算法篩選最優(yōu)分類器組合。相比簡(jiǎn)單的概率集成，結(jié)合遺傳算法的特征組合方法展現(xiàn)出更大優(yōu)勢(shì)。

圖11 文獻(xiàn)[75]中3D DenseNet基分類器結(jié)構(gòu)圖Fig.11 3D DenseNet classifier structure diagram in[75]

上述分析可知，多網(wǎng)絡(luò)集成的方法具有以下優(yōu)勢(shì)：（1）能夠獲取更全面的腦組織病變信息，有效彌補(bǔ)單一網(wǎng)絡(luò)模型丟失細(xì)節(jié)的缺點(diǎn)。（2）多個(gè)分類器結(jié)合進(jìn)行集成學(xué)習(xí)能有效防止過(guò)擬合。（3）參與集成的基分類器和腦區(qū)是一一對(duì)應(yīng)的，可以找出有顯著分類能力的腦區(qū)。

但該方法也存在以下問(wèn)題亟需解決：（1）多網(wǎng)絡(luò)集成可能由于劃定腦區(qū)范圍大導(dǎo)致需要占用多個(gè)大量空間存儲(chǔ)的基分類器，而且基分類器可能會(huì)帶來(lái)額外的時(shí)間成本開(kāi)支。（2）選擇不同的腦區(qū)劃分方法用于集成學(xué)習(xí)可能會(huì)對(duì)最終分類結(jié)果產(chǎn)生影響。（3）多個(gè)腦區(qū)基分類器集成導(dǎo)致計(jì)算代價(jià)與標(biāo)注成本高，訓(xùn)練時(shí)間長(zhǎng)。

綜上所述，多網(wǎng)絡(luò)融合方法在級(jí)聯(lián)學(xué)習(xí)和集成學(xué)習(xí)方面均呈現(xiàn)出高水平模型性能。相比主流單網(wǎng)絡(luò)方法，多網(wǎng)絡(luò)融合在AD診斷應(yīng)用中表現(xiàn)出更強(qiáng)的非線性特征映射能力、模型泛化能力和容錯(cuò)能力，更能滿足實(shí)際臨床的需要。但是多網(wǎng)絡(luò)結(jié)構(gòu)增加了計(jì)算成本和存儲(chǔ)開(kāi)銷，網(wǎng)絡(luò)設(shè)計(jì)難度也較大，今后工作需向更高效率的輕量化網(wǎng)絡(luò)探索與應(yīng)用。

3 模型可解釋性

深度學(xué)習(xí)為圖像識(shí)別提供了一種強(qiáng)大的技術(shù)方法，但是深度學(xué)習(xí)模型的“黑盒”特性在面對(duì)其復(fù)雜的體系結(jié)構(gòu)和模型參數(shù)時(shí)無(wú)法提供直接的推理過(guò)程和決策解釋，是阻礙模型改進(jìn)以及推廣應(yīng)用的主要障礙之一。因此，理想的AD分類診斷系統(tǒng)不僅能夠進(jìn)行準(zhǔn)確的診斷決策，而且可以提供決策的中間過(guò)程，對(duì)模型臨床應(yīng)用也尤為重要。

在AD診斷任務(wù)中，主要通過(guò)類激活映射（class activation mapping）、注意力機(jī)制（attention mechanism）等方法定位病灶腦區(qū)并提供可視化解釋依據(jù)。為了實(shí)現(xiàn)模型可解釋性與特征可視化，Qiu等人[78]通過(guò)全卷積神經(jīng)網(wǎng)絡(luò)生成AD風(fēng)險(xiǎn)概率圖提供模型解釋，使其突出與AD相關(guān)的高危腦區(qū)。但是該方法依賴于梯度加權(quán)，對(duì)模型預(yù)測(cè)無(wú)關(guān)的因素敏感時(shí)魯棒性較差。為此，Bohle等人[79]采用分層相關(guān)性傳播（layer-wise relevance propagation，LRP）方法克服這一限制。該研究結(jié)合LRP生成腦部熱力圖解釋模型輸出，LRP能夠量化輸入特征與AD分類結(jié)果兩者間的相關(guān)性，但是生成熱力圖的方法主要通過(guò)視覺(jué)挑選特征進(jìn)行定性分析。為了進(jìn)一步捕捉病變腦區(qū)并量化對(duì)最終診斷結(jié)果的貢獻(xiàn)程度，Jin等人[80]提出一種3DAN網(wǎng)絡(luò)。該網(wǎng)絡(luò)引入注意力機(jī)制用于捕捉大腦重要萎縮部位，并通過(guò)注意力得分量化分析各個(gè)腦區(qū)。但是模型額外引入模塊需修改原有的網(wǎng)絡(luò)結(jié)構(gòu)，導(dǎo)致在實(shí)際應(yīng)用中以花費(fèi)大量的時(shí)間成本為代價(jià)，可通過(guò)拆分網(wǎng)絡(luò)的各功能模塊生成解釋性的方法節(jié)省運(yùn)行時(shí)間。

基于類激活映射等可解釋性方法可以將抽象數(shù)據(jù)映射為類激活圖，以此建立模型的可視化表達(dá)，可快速、全面地了解病灶腦區(qū)的分布特征，提高模型透明度。但該方法存在以下問(wèn)題亟需解決：（1）病灶可視化方法無(wú)法與更高級(jí)的語(yǔ)義相關(guān)聯(lián)。將可視化特征與語(yǔ)義相解釋結(jié)合，并解釋可視化輸出從低級(jí)語(yǔ)義到高級(jí)語(yǔ)義的生成過(guò)程，有助于深入挖掘決策依據(jù)，降低模型認(rèn)知難度。（2）模型準(zhǔn)確性與可解釋性相對(duì)立，難以平衡。一般規(guī)律下，復(fù)雜度高、參數(shù)量大的深度學(xué)習(xí)模型比結(jié)構(gòu)簡(jiǎn)單、參數(shù)量小的模型性能水平更高，但是模型可解釋性較弱。拆分深度學(xué)習(xí)模型的功能模塊分別生成解釋然后再進(jìn)行組合，是高精度復(fù)雜網(wǎng)絡(luò)模型增強(qiáng)可解釋性的方法之一。（3）基于醫(yī)學(xué)知識(shí)的因果推理可解釋性仍待進(jìn)一步探索。利用知識(shí)圖譜將AD臨床診斷知識(shí)引入到深度學(xué)習(xí)模型中，有助于理解模型的邏輯推理過(guò)程，可有效解釋模型所做決策的真正原因。

4 算法性能分析

綜上所述，深度學(xué)習(xí)方法為阿爾茨海默病輔助診斷提供了多樣性與高效性的網(wǎng)絡(luò)模型，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、自動(dòng)編碼器（AE）、深度置信網(wǎng)絡(luò)（DBN）、生成式對(duì)抗網(wǎng)絡(luò)（GAN）和多網(wǎng)絡(luò)融合的方法實(shí)現(xiàn)了AD病程的高精度分類。本章對(duì)上述方法進(jìn)行綜合分析，從主要思想、優(yōu)缺點(diǎn)三個(gè)方面進(jìn)行對(duì)比總結(jié)，如表2所示。

表2從深度學(xué)習(xí)的經(jīng)典網(wǎng)絡(luò)及多網(wǎng)絡(luò)融合各診斷方法的主要思想、優(yōu)劣勢(shì)進(jìn)行歸納總結(jié)。為對(duì)上述方法進(jìn)行更全面的對(duì)比分析，將從增強(qiáng)網(wǎng)絡(luò)特征表達(dá)能力、將網(wǎng)絡(luò)擴(kuò)展到三維圖像、解決小樣本問(wèn)題、提高泛化能力、節(jié)省計(jì)算成本五方面，對(duì)AD診斷方法面向高精度與輕量化的性能優(yōu)化方法的優(yōu)缺點(diǎn)和準(zhǔn)確率進(jìn)行歸納總結(jié)，如表3所示。

表2 基于深度學(xué)習(xí)的AD分類診斷方法總結(jié)Table 2 Summary of deep learning-based diagnostic methods for AD classification

表3 高精度和輕量化的優(yōu)化方法對(duì)比分析Table 3 Comparison of high precision and lightweight optimization methods

（1）在增強(qiáng)網(wǎng)絡(luò)特征表達(dá)能力的相關(guān)算法中，采用嵌套的密集跨層連接、增加中間層的連接和輸出、改進(jìn)卷積核的尺寸和步長(zhǎng)等方法提取腦體積萎縮或局部腦代謝變化特征，高效捕獲圖像中病灶腦區(qū)。如林萬(wàn)云等人[44]在模型中使用小尺寸卷積核和步長(zhǎng)保留特征信息，采用大尺寸的卷積核和步長(zhǎng)去除冗余信息，有效提取AD早期階段sMCI與pMCI的特征差異。

（2）在網(wǎng)絡(luò)擴(kuò)展到3D圖像的相關(guān)算法中，采用構(gòu)建3D ICA_CNN、3D CNN+3D LSTM雙網(wǎng)絡(luò)、多層3D CNN集成學(xué)習(xí)等方法，從三維體素、三維ROI圖像塊和腦組織圖像塊集成中提取大腦三維結(jié)構(gòu)特征，獲取全面的空間維度信息。如Basheera等人[30]基于ICA的3D CNN逐體素分析網(wǎng)絡(luò)，從全腦體素中分割提取灰質(zhì)用于病變分析，表現(xiàn)出良好的特異性和敏感性，NC/AD分類準(zhǔn)確率達(dá)99.75%。

（3）針對(duì)小樣本訓(xùn)練集改進(jìn)的相關(guān)算法中，采用遷移學(xué)習(xí)、數(shù)據(jù)增強(qiáng)、無(wú)監(jiān)督學(xué)習(xí)等方法，實(shí)現(xiàn)有效擴(kuò)充樣本量或降低對(duì)高質(zhì)量標(biāo)記數(shù)據(jù)的需求。如Mehmood等人[32]采用微調(diào)VGG-19網(wǎng)絡(luò)結(jié)合數(shù)據(jù)增強(qiáng)的方法基于全腦體素進(jìn)行AD分類診斷，NC/AD二分類準(zhǔn)確率達(dá)98.73%。

（4）在提高模型泛化能力的相關(guān)算法中，采用跨種族數(shù)據(jù)集交叉訓(xùn)練、MRI聯(lián)合PET多模態(tài)學(xué)習(xí)、結(jié)合臨床病因改進(jìn)網(wǎng)絡(luò)集成算法等方法，在AD診斷應(yīng)用中表現(xiàn)出更強(qiáng)的泛化能力，更能滿足實(shí)際臨床的需要。如Bae等人[25]考慮到種族和地區(qū)背景的差異，使用ADNI與首爾國(guó)立大學(xué)本當(dāng)醫(yī)院數(shù)據(jù)集交叉訓(xùn)練，增強(qiáng)模型跨種族患者間的通用性與泛化性。

（5）在節(jié)省計(jì)算成本和存儲(chǔ)開(kāi)銷的相關(guān)算法中，采用擁有預(yù)訓(xùn)練權(quán)重的輕量化網(wǎng)絡(luò)、密集跨層跳層結(jié)構(gòu)的網(wǎng)絡(luò)、將網(wǎng)絡(luò)底層多參數(shù)卷積塊替換為瓶頸結(jié)構(gòu)等方法，降低網(wǎng)絡(luò)復(fù)雜度，提高計(jì)算資源利用率。如Wang等人[75]在三維圖像塊的集成學(xué)習(xí)中，通過(guò)構(gòu)建3D DenseNets基分類器減輕計(jì)算壓力，NC/AD分類準(zhǔn)確率達(dá)98.83%。

通過(guò)上述分析可知，AD分類診斷算法在分類精度和模型輕量化方面達(dá)到了較高水平，但由于病灶隱匿性與神經(jīng)影像高維性，通用的影像學(xué)診斷模型，存在病灶特征丟失的不足。為此，眾多學(xué)者展開(kāi)相應(yīng)研究，以降低病灶特征損失。將上述分類診斷算法進(jìn)行歸納總結(jié)，針對(duì)保留單模態(tài)病灶特征與捕捉多模態(tài)特征相關(guān)性兩方面的特征優(yōu)化方法進(jìn)行對(duì)比分析，如表4所示。

表4 減少病灶特征損失分類診斷算法的性能對(duì)比分析Table 4 Comparative analysis of performance of diagnostic algorithm for reducing characteristic loss of lesions

（1）在保留sMRI數(shù)據(jù)單模態(tài)病灶特征的相關(guān)算法中，采用特征金字塔網(wǎng)絡(luò)、注意力patch-net等方法提取更細(xì)粒度的病灶特征，捕捉相鄰病程圖像的細(xì)微差別。如Zhu等人[38]使用帶注意力塊的patch-net提取sMRI小塊的判別特征，有助于提高早期階段MCI的分類準(zhǔn)確率，sMCI/pMCI分類準(zhǔn)確率達(dá)80.90%。

（2）在保留fMRI數(shù)據(jù)單模態(tài)病灶特征的相關(guān)算法中，采用3DPCANet網(wǎng)絡(luò)改進(jìn)等方法提高模型對(duì)大腦紋理特征的學(xué)習(xí)能力。如賈洪飛等人[45]采用3DPCANet提取fMRI轉(zhuǎn)換圖像特征，實(shí)現(xiàn)了NC到AD間多個(gè)階段的分類診斷，sMCI/pMCI分類準(zhǔn)確率達(dá)77.78%。

（3）在保留PET數(shù)據(jù)單模態(tài)病灶特征的相關(guān)算法中，Shen等人[58]采用在腦ROI上訓(xùn)練多層DBN網(wǎng)絡(luò)等方法保留高維度神經(jīng)影像數(shù)據(jù)的深層次特征，識(shí)別AD早期階段病灶代謝特征，sMCI/pMCI分類準(zhǔn)確率達(dá)86.60%。

（4）在捕捉sMRI、PET多模態(tài)神經(jīng)影像特征相關(guān)性的改進(jìn)方法中，采用Adaboost算法、構(gòu)建MDNMF模型、多層極端學(xué)習(xí)網(wǎng)絡(luò)、SR-DBN結(jié)合主成分分析等方法捕獲兩模態(tài)特征間的高級(jí)關(guān)聯(lián)并融合形成高質(zhì)量特征表示，在AD分類診斷中具有良好的臨床應(yīng)用成熟度與泛化能力。如Kim等人[55]采用多層極端學(xué)習(xí)策略構(gòu)建sELM-AE網(wǎng)絡(luò)，聯(lián)合sMRI、PET模態(tài)間抽象特征表示，NC/AD分類準(zhǔn)確率達(dá)97.12%，NC/MCI分類準(zhǔn)確率達(dá)87.09%。

（5）在捕捉fMRI不同轉(zhuǎn)換圖像間多模態(tài)特征相關(guān)性的改進(jìn)方法中，采用3DPCANet結(jié)合典型相關(guān)分析等方法提取融合轉(zhuǎn)換圖像間最相關(guān)特征與依賴關(guān)系。如Jia等人[46]采用CCA典型相關(guān)分析思想融合兩種轉(zhuǎn)換類型的圖像特征，實(shí)現(xiàn)了輸入的功能圖像變換的魯棒性，NC/AD分類準(zhǔn)確率達(dá)92.00%。

5 挑戰(zhàn)與展望

上述分析可知，基于深度學(xué)習(xí)的阿爾茨海默病輔助診斷研究近年來(lái)獲得了廣泛關(guān)注，本章對(duì)其當(dāng)前面臨挑戰(zhàn)和未來(lái)展望進(jìn)行闡述。

5.1 挑戰(zhàn)

近年來(lái)，深度學(xué)習(xí)技術(shù)的快速發(fā)展使其在AD診斷、早期預(yù)測(cè)領(lǐng)域取得了不錯(cuò)的成果。雖然各神經(jīng)網(wǎng)模型已取得明顯的性能突破，但是仍面臨諸多挑戰(zhàn)。本節(jié)將深度學(xué)習(xí)在AD輔助診斷領(lǐng)域面臨的挑戰(zhàn)歸納如下：

（1）多分類診斷模型辨別MCI的準(zhǔn)確率仍然較低。MCI是AD的前驅(qū)期，是高度可變?nèi)后w，故對(duì)sMCI和pMCI的鑒別與診斷十分重要。現(xiàn)有的研究中NC/AD分類準(zhǔn)確率一般在82.0%～99.0%，但是sMCI與pMCI由于樣本間差異較小，其分類準(zhǔn)確度普遍偏低。

（2）模型性能受數(shù)據(jù)來(lái)源的限制?，F(xiàn)有的研究中基于MRI、PET等影像組學(xué)在AD的研究多為回顧性分析，不同的掃描設(shè)備、不同成像參數(shù)及不同醫(yī)學(xué)中心掃描方式會(huì)有所差異，因此會(huì)影響神經(jīng)網(wǎng)絡(luò)模型對(duì)疾病的分類效果，會(huì)出現(xiàn)模型在某個(gè)數(shù)據(jù)集上訓(xùn)練效果較好，但在其他數(shù)據(jù)集上表現(xiàn)較差的情況，導(dǎo)致很難在實(shí)際臨床中普及應(yīng)用。

（3）多模態(tài)模型的診斷性能有待提高。不同格式的數(shù)據(jù)（如：影像和化驗(yàn)數(shù)據(jù)）的融合算法還有待完善。而且考慮到多模態(tài)技術(shù)的實(shí)際臨床應(yīng)用，模型可能受其中一模態(tài)數(shù)據(jù)丟失的影響，如果僅使用現(xiàn)有的完整模態(tài)數(shù)據(jù)進(jìn)行訓(xùn)練，將會(huì)進(jìn)一步加重小樣本問(wèn)題，導(dǎo)致模型的性能降低。

（4）高質(zhì)量醫(yī)學(xué)影像數(shù)據(jù)稀缺。在基于深度學(xué)習(xí)方法的研究中，模型需要大量圖像樣本進(jìn)行訓(xùn)練和測(cè)試以獲得更高的分類精度。AD的腦神經(jīng)影像學(xué)數(shù)據(jù)維度極高、結(jié)構(gòu)復(fù)雜且提取特征數(shù)往往遠(yuǎn)大于樣本數(shù)，易導(dǎo)致模型過(guò)擬合。

（5）深度學(xué)習(xí)方法的“黑盒”特性，導(dǎo)致模型可解釋性較差。深度神經(jīng)網(wǎng)絡(luò)中包括多個(gè)隱藏層，導(dǎo)致特征選擇和決策過(guò)程具有很大的不確定性?；谏疃葘W(xué)習(xí)的三維、多模態(tài)醫(yī)學(xué)圖像的AD分類涉及到與源數(shù)據(jù)不同維數(shù)的非線性卷積和池化，使得很難解釋原始數(shù)據(jù)中特征識(shí)別的重要性。

5.2 展望

為解決AD診斷領(lǐng)域所面臨的挑戰(zhàn)，深度學(xué)習(xí)技術(shù)為AD的分類診斷提供卓越性能的高精度診斷模型，今后的研究工作可側(cè)重于以下幾個(gè)方面展開(kāi)：

（1）通過(guò)融合不同生物標(biāo)志物數(shù)據(jù)提高AD早期診斷準(zhǔn)確率。AD病因具有復(fù)雜性和異質(zhì)性，融合多模態(tài)比單模態(tài)方法分類效果更好。在神經(jīng)影像的基礎(chǔ)上增加其他生物標(biāo)志物，如臨床診斷數(shù)據(jù)、基因數(shù)據(jù)等，有利于進(jìn)一步了解阿爾茨海默病的潛在生理機(jī)制，為MCI的轉(zhuǎn)化預(yù)測(cè)提升分類精度。

（2）克服數(shù)據(jù)來(lái)源限制以加強(qiáng)模型實(shí)際臨床應(yīng)用性。加強(qiáng)臨床工作者與理論技術(shù)人員的交流，實(shí)地考察放射科日常醫(yī)療環(huán)境與設(shè)備應(yīng)用條件，評(píng)估成像數(shù)據(jù)來(lái)源對(duì)網(wǎng)絡(luò)性能的影響。雖然現(xiàn)有的計(jì)算機(jī)輔助系統(tǒng)仍然無(wú)法取代醫(yī)學(xué)專家，但可以提供支持信息，以提高臨床決策的可信度。

（3）挖掘模態(tài)之間的潛在聯(lián)系增強(qiáng)多模態(tài)模型性能。針對(duì)多模態(tài)數(shù)據(jù)的語(yǔ)義沖突問(wèn)題，捕捉模態(tài)之間的層次關(guān)聯(lián)用于提高特征融合算法對(duì)復(fù)雜數(shù)據(jù)的融合性能。針對(duì)缺失模態(tài)問(wèn)題，利用好模態(tài)之間的信息互補(bǔ)性，以及平衡網(wǎng)絡(luò)中富模態(tài)與缺失模態(tài)的特征權(quán)重。

（4）高維小樣本深度學(xué)習(xí)方法的研究。一方面通過(guò)技術(shù)上的手段加以克服，如無(wú)監(jiān)督學(xué)習(xí)、遷移學(xué)習(xí)、數(shù)據(jù)增廣等，另一方面利用現(xiàn)有的開(kāi)放性數(shù)據(jù)庫(kù)構(gòu)建標(biāo)準(zhǔn)化的神經(jīng)影像數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)，克服樣本匱乏問(wèn)題。

（5）結(jié)合可視化技術(shù)提高深度學(xué)習(xí)模型可解釋性。深度神經(jīng)網(wǎng)絡(luò)結(jié)合類激活圖等可視化分析方法了解病灶腦區(qū)的分布特征，在保證決策準(zhǔn)確率的情況下提高模型透明度，進(jìn)一步解釋影像學(xué)特征與診斷結(jié)果之間的關(guān)系，輔助醫(yī)生臨床決策。

6 結(jié)束語(yǔ)

綜上所述，本文對(duì)阿爾茨海默病相關(guān)數(shù)據(jù)集、經(jīng)典深度學(xué)習(xí)網(wǎng)絡(luò)模型在阿爾茨海默病分類診斷中的應(yīng)用以及深度學(xué)習(xí)模型可解釋性三個(gè)方面的相關(guān)工作進(jìn)行了介紹和總結(jié)。基于對(duì)現(xiàn)有工作的綜述，重點(diǎn)總結(jié)了深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)和融合多網(wǎng)絡(luò)在阿爾茨海默病分類診斷中常用的改進(jìn)方法，可以作為未來(lái)研究工作的參考。相信隨著深度學(xué)習(xí)方法的不斷優(yōu)化改進(jìn)，未來(lái)為阿爾茨海默病的臨床診斷與早期預(yù)測(cè)將提供更加準(zhǔn)確、高效的輔助診斷方法。