巧用 2D 和 3D CNN 技术，精准预测阿尔茨海默病阶段

研究人员利用 2D 和 3D CNN 分析 MRI 数据预测阿尔茨海默病（AD）阶段，2D CNN 最高准确率 93%，3D CNN 达 96.5%。

　　# 阿尔茨海默病研究新突破：2D 和 3D CNN 助力精准阶段预测
在人口老龄化加剧的当下，阿尔茨海默病（Alzheimer’s Disease，AD）如同一个日益膨胀的 “健康炸弹”，威胁着无数人的生活质量和家庭幸福。这是一种不可逆、渐进性的慢性神经退行性疾病，患者会出现认知功能障碍、失忆等症状，大脑功能和日常生活自理能力也会逐渐丧失。据预测，到 2050 年，全球 AD 患者数量将从现有的 4700 万激增至 1.52 亿，其带来的医疗、社会和经济负担难以估量。

目前，AD 的发病机制尚未完全明确，现有的治疗手段也无法彻底治愈或阻止其进展。早期通过轻度认知障碍（Mild Cognitive Impairment，MCI）筛查来检测 AD，对制定有效的护理政策、延缓疾病恶化至关重要。在诊断方法中，磁共振成像（Magnetic Resonance Imaging，MRI）可分析大脑因 AD、MCI 和认知正常（Cognitively Normal，CN）状态而产生的结构变化，是一种重要的检测方式。然而，MRI 数据具有噪声多、维度高的特点，如何从这些复杂的数据中精准提取有效信息，成为 AD 诊断领域的一大难题。

为攻克这一难题，来自 Ghulam Ishaq Khan Institute of Engineering Sciences and Technology、University of Malaya 等多个研究机构的研究人员展开了深入研究。他们利用二维和三维卷积神经网络（Convolutional Neural Networks，CNNs），对从 MRI 扫描获得的多维神经影像数据进行分析，以检测 AD 的不同阶段。该研究成果发表在《Scientific Reports》上，为 AD 的早期诊断带来了新的曙光。

研究人员在研究过程中运用了多种关键技术方法。数据来源于 ADNI 数据库，其中包含约 7000 个 NIFTI 文件（3D MRI 扫描数据），研究选取了 T1 加权 3 年数据，共 2182 个 NIFTI 文件。在数据预处理阶段，使用 SPM12 工具 box 中的 CAT12 工具包默认参数，对数据进行颅骨剥离（去除非大脑结构）、空间归一化（使不同大脑扫描图像在同一坐标系中便于比较）和平滑（去除噪声）处理。之后，采用基于像素计数的帧选择和裁剪方法进行维度 reduction，减少计算量并保留关键信息，还运用可学习调整大小方法（learnable resizer）提升图像质量。最后，构建浅 2D 和 3D CNN 架构对数据进行自动分类。

在实验设置方面，研究聚焦浅 2D 和 3D CNN 架构，以避免模型过拟合和欠拟合。3D CNN 又根据冠状面、矢状面和横断面视图分为三类。模型训练使用了早期停止和降低学习率的回调函数，以提升性能，并通过准确率、精确率、召回率和 F 值等指标评估模型性能。

实验结果显示，2D CNN 在不同视图下表现各异。冠状面视图训练和验证模型需 31 个 epoch，测试准确率为 92%；矢状面视图需 16 个 epoch，准确率为 90.4%；横断面视图需 32 个 epoch，准确率为 93%。综合来看，2D CNN 的平均准确率、精确率、召回率和 F 值分别为 91.8%、90.7%、91.7% 和 91%。3D CNN 训练和验证需 34 个 epoch，测试准确率达到 96.4%。其验证曲线比 2D CNN 更平滑，能同时从三个视图提取特征，有效避免了欠拟合，且因其高维数据特性，相比 2D CNN 也更能避免过拟合。

通过对比分析，研究发现数据大小会影响深度学习模型性能。3D CNN 性能优于 2D CNN，能从三个视图同时提取同一区域特征，在精确率、召回率和 F 值上比 2D 视图高约 88%。与其他研究相比，该研究提出的 2D 和 3D CNN 架构在参数数量更少的情况下，准确率更高。如 2D CNN 在更大样本量下，以更少参数实现了 93% 的准确率；3D CNN 以最低参数数量达到 96.5% 的最高准确率。

研究结论表明，该研究提出的基于预处理、帧选择裁剪与浅 2D 和 3D CNN 相结合的方法，能有效检测 AD 阶段。2D CNN 最高准确率 93%，3D CNN 最高达 96.5%。输入数据质量对 CNN 模型准确性影响重大，训练数据信息少会导致模型过拟合，模型可学习参数过多也易引发过拟合，2D CNN 相比 3D CNN 更易出现欠拟合。此外，浅 CNN 模型和小尺寸数据的训练和推理时间更短，适用于处理像 MRI 这样的复杂高维数据集。

该研究成果意义非凡，其设计的高效帧选择和裁剪方法大幅降低了数据集维度，减少了计算成本和延迟，降低了模型过拟合和欠拟合风险。浅 2D 和 3D CNN 架构在减少参数数量的同时提高了准确率，为 AD 检测提供了更高效、准确的诊断工具。而且，该研究方法有望应用于遥感等领域，为资源受限环境下的实时分析提供了可能。不过，研究也存在一定局限性，如仅采用了特定的预处理步骤。未来，研究人员可探索更多预处理方法，如小波分解和经验模态分解，研究不同特征选择算法，进一步提升 AD 诊断技术。