卷积神经网络-自注意力机制增强的近红外成像技术：在阿尔茨海默病与血管性痴呆的鉴别诊断中实现非侵入性突破

《Journal of Biophotonics》：Convolutional Neural Network-Self-Attention Mechanism Enhanced Near-Infrared: Non-Invasive Breakthrough for Alzheimer's Disease Versus Vascular Dementia

阿尔茨海默病与血管性痴呆基于近红外光谱与卷积神经网络结合的注意力机制模型，通过特征提取与参数优化实现99.3%诊断准确率，关键波段位于1364和1484 nm。

　　

摘要

阿尔茨海默病（AD）和血管性痴呆（VaD）是两种常见的痴呆类型。由于缺乏明确的临床和辅助检测差异，区分这两种疾病具有挑战性。在这项研究中，我们开发了一种新的诊断方法，该方法结合了近红外光谱技术、卷积神经网络（CNN）和自注意力机制（CNN-SAM）。CNN-SAM模型通过整合自注意力机制来突出重要的光谱特征，其准确率达到了99.3%，优于其他模型。数据预处理、特征提取和参数优化进一步提升了模型的性能。利用自注意力机制进行的可视化分析表明，1364纳米和1484纳米处的光谱带对于区分AD和VaD至关重要。这种方法提供了一种快速、无创且准确的AD和VaD诊断手段，有望推动临床实践的发展。

利益冲突

作者声明不存在利益冲突。