A Neurosymbolic Approach for Explainable Early Diagnosis of Alzheimer's Disease
该研究提出一种自动化流程，用预训练基础模型处理言语流畅性测试音频构建贝叶斯网络，以实现阿尔茨海默病的可解释早期诊断，成功恢复临床知识并识别语言标志物间新关系。
2026-08-21 cs.LG
Leveraging Pre-trained and Transformer-derived Embeddings from EHRs to Characterize Heterogeneity Across Alzheimer's Disease and Related Dementias
Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
本研究利用EHR中的预训练医疗代码嵌入和Clinical BERT文本嵌入进行无监督学习，识别阿尔茨海默病及相关痴呆患者中基于共病和文本特征的临床亚群，揭示疾病异质性。
2024-03-30 cs.LG
An Ensemble of Deep Convolutional Neural Networks for Alzheimer's Disease Detection and Classification
Georgia State University（佐治亚州立大学）
阿尔茨海默病破坏脑细胞，导致人们失去记忆，精神功能和继续日常活动的能力。这是一种严重的神经系统脑疾病，无法治愈，但早期发现阿尔茨海默病可以帮助进行适当的治疗，并防止脑组织损伤。阿尔茨海默病（AD）的检测和分类是具有挑战性的，因为有时可以在老年人的正常健康大脑MRI数据中找到区分阿尔茨海默病MRI数据的迹象。此外，存在相对少量的数据集可用于训练自动阿尔茨海默病检测和分类模型。在本文中，我们提出了一种新的阿尔茨海默病检测和分类模型，使用脑MRI数据分析。我们开发了一个深度卷积神经网络的集合，并在开放获取系列成像研究（OASIS）数据集上展示了卓越的性能。
2017-12-19 cs.CV cs.LG
Assessing the significance of longitudinal data in Alzheimer's Disease forecasting
Cornell University（康奈尔大学）；Cornell Tech（康奈尔科技学院）；Weill Cornell Medicine（威尔康奈尔医学院）
本研究利用Transformer编码器模型LongForMAD，证明纳入纵向患者数据能显著提升阿尔茨海默病进展预测的准确性，支持临床采用纵向数据以改善早期检测与监测。
2024-05-27 cs.LG
Reinforcement Learning based Disease Progression Model for Alzheimer's Disease
UIUC（伊利诺伊大学厄巴纳-香槟分校）；Mayo Clinic（梅奥诊所）
我们通过将微分方程（DE）和强化学习（RL）与领域知识相结合来建模阿尔茨海默病（AD）的进展。DE提供了与AD相关的一些但不是全部因素之间的关系。我们假设缺失的关系必须满足关于大脑工作的一般标准，例如，最大化认知，同时最小化支持认知的成本。这允许我们通过使用RL来优化捕获上述标准的目标（奖励）函数来提取缺失的关系。我们使用由DE（作为模拟器）和经过训练的RL代理组成的模型，使用合成和真实数据的基线（0年）特征预测个性化的10年AD进展。该模型在预测10年认知轨迹方面与最先进的基于学习的模型相当或更好。我们的可解释模型证明，并提供了见解，“恢复/补偿”的过程，减轻AD的影响，即使这些过程没有明确编码的模型。我们的框架将DE与RL结合起来，用于模拟AD进展，并具有广泛的适用性，可用于了解其他神经系统疾病。
2021-11-02 cs.LG
Statistical testing on generative AI anomaly detection tools in Alzheimer's Disease diagnosis
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Nagoya University（名古屋大学）
针对阿尔茨海默病诊断中生成式 AI 异常检测的可靠性问题，提出基于选择性推断的方法以解决假设检验中的双重使用问题，在控制错误发现率的同时保持统计功效，可辅助临床诊断与早期干预。
2024-10-17 cs.LG
Preclinical Stage Alzheimer's Disease Detection Using Magnetic Resonance Image Scans
Syracuse University（雪城大学）；SUNY Upstate Medical University（纽约州立大学北部医科大学）
阿尔茨海默病是主要影响老年人而不是衰老的疾病之一。最常见的症状包括沟通和抽象思维的问题，以及方向感障碍。重要的是要在早期发现阿尔茨海默病，以便通过药物和训练改善认知功能。在本文中，我们提出了两个注意力模型网络，用于从MRI图像中检测阿尔茨海默病，以帮助临床前阶段的早期检测工作。我们还比较了这两个注意力网络模型与基线模型的性能。最近可用的OASIS-3纵向神经成像，临床和认知数据集用于训练，评估和比较我们的模型。这项研究的新颖之处在于，我们的目标是在所有参数、身体评估和临床数据都表明患者健康且没有症状的情况下检测阿尔茨海默病。
2020-11-28 cs.LG eess.IV
Forecasting Disease Trajectories in Alzheimer's Disease Using Deep Learning
University of Oxford（牛津大学）；Alan Turing Institute（艾伦·图灵研究所）
纵向数据和事件发生时间数据的联合模型通常用于纵向研究，以预测疾病随时间的变化轨迹。尽管联合建模有许多优点，但标准形式在应用于大型数据集时受到固定模型规范和计算困难的限制。我们采用深度学习方法来解决这些限制，利用深度神经网络的灵活性和可扩展性增强现有方法，同时保留联合建模的优点。使用来自阿尔茨海默病神经影像研究所的数据，我们显示了与传统方法相比在性能和可扩展性方面的改进。
2018-07-06 cs.LG stat.ML
A Convolutional-based Model for Early Prediction of Alzheimer's based on the Dementia Stage in the MRI Brain Images
School of Information Technology（信息技术学院）；University of Cincinnati（辛辛那提大学）
老年痴呆症是一种脑部退化性疾病。是成年人痴呆症的主要原因，并逐渐破坏大脑记忆。尽管阿尔茨海默病目前还无法治愈，但早期诊断将有助于减轻疾病的严重程度。因此，阿尔茨海默氏症的早期诊断可能有助于减少或阻止疾病的进展。在本文中，我们提出了一个基于深度卷积神经网络的学习模型，用于根据磁共振成像（MRI）图像来检测阿尔茨海默病的早期发作，以确定成人痴呆症的阶段。
2023-02-15 cs.CV cs.LG
Predicting Alzheimer's Disease Using 3DMgNet
School of Mathematics and Computational Science, Xiangtan University（湘潭大学数学与计算科学学院）；In-Chao Institute（因超研究所）
阿尔茨海默氏病（AD）是一种不可逆的脑神经退行性疾病，可导致记忆力减退、沟通困难和定向障碍。对于阿尔茨海默病的诊断，临床上往往需要一系列的量表对诊断进行评估，这不仅增加了医生的工作量，也使得诊断的结果具有很强的主观性。因此，对于阿尔茨海默病，通过影像学手段寻找早期诊断标志物已成为当务之急。在本文中，我们提出了一种新的3DMgNet架构，这是一个统一的框架，多网格和卷积神经网络诊断阿尔茨海默病（AD）。该模型使用开放数据集（ADNI数据集）进行训练，然后使用我们的较小数据集进行测试。最后，该模型实现了92.133%的准确率为AD与NC分类，并显着降低了模型参数。
2022-01-12 cs.CV cs.LG eess.IV
Temporal Subtyping of Alzheimer's Disease Using Medical Conditions Preceding Alzheimer's Disease Onset in Electronic Health Records
Florida State University（佛罗里达州立大学）；University of Florida（佛罗里达大学）
本研究利用谱聚类对近3万名AD患者的纵向电子健康记录进行时间亚型分型，识别出四种具有不同疾病进展模式的亚型，有助于早期检测和个性化治疗。
2022-02-22 cs.AI cs.LG stat.AP
Introducing Vision Transformer for Alzheimer's Disease classification task with 3D input
University of Toronto（多伦多大学）；The Hospital for Sick Children（病童医院）
许多高性能分类模型利用复杂的基于CNN的架构进行阿尔茨海默病分类。我们的目标是调查两个相关的问题，关于阿尔茨海默病的分类使用MRI：“做视觉转换器为基础的模型比基于CNN的模型表现更好？以及“是否有可能使用基于CNN的浅三维模型来获得令人满意的结果？“为了实现这些目标，我们提出了两种可以接受和处理3D MRI扫描的模型：卷积体素Vision Transformer（CVVT）架构和ConvNet 3D-4，一种基于浅4块3D CNN的模型。我们的研究结果表明，浅三维CNN为基础的模型是足够的，以实现良好的分类结果阿尔茨海默氏病使用MRI扫描。
2022-10-03 cs.CV cs.LG eess.IV
A deep belief network-based method to identify proteomic risk markers for Alzheimer disease
Hefei University of Technology（合肥工业大学）
虽然大量的研究已经正式确定载脂蛋白E（APOE）作为阿尔茨海默病的主要遗传风险标志物，但越来越多的证据支持可能存在其他风险标志物的观点。然而，传统的阿尔茨海默病特异性特征分析方法未能充分利用丰富的蛋白质表达数据，特别是属性之间的相互作用。本文提出了一种新的特征选择方法来识别阿尔茨海默病的致病因素，利用蛋白质组学和临床数据。该方法将网络节点的权重作为信号蛋白表达值的重要性排序。在生成和评估候选子集之后，该方法有助于选择最佳蛋白质子集，其实现了大于90%的准确度，这优于用于临床阿尔茨海默病诊断的传统机器学习方法。除了确定蛋白质组风险标记物并进一步加强代谢风险因素与阿尔茨海默病之间的联系外，本文还表明apidonectin相关通路是一种可能的治疗药物靶点。
2020-03-11 cs.LG q-bio.QM stat.ML
Intelligent Diagnosis of Alzheimer's Disease Based on Machine Learning
China University of Petroleum-Beijing at Karamay（中国石油大学（北京）克拉玛依校区）；China University of Petroleum（中国石油大学）
本研究基于ADNI数据集，采用随机森林填补缺失数据等预处理策略，通过Spearman相关系数筛选特征，构建并对比了随机森林、XGBoost和SVM三种模型，发现XGBoost诊断准确率达91%，为阿尔茨海默病早期检测提供了有效方法。
2024-02-13 cs.LG stat.AP
A Comprehensive Study on Machine Learning Methods to Increase the Prediction Accuracy of Classifiers and Reduce the Number of Medical Tests Required to Diagnose Alzheimer'S Disease
Ulster University（阿尔斯特大学）
老年痴呆症患者逐渐失去思考、行为和与他人互动的能力。病史、实验室检查、日常活动和性格变化都可以用来诊断这种疾病。一系列耗时和昂贵的测试被用来诊断疾病。识别阿尔茨海默病的最有效方法是在本研究中使用随机森林分类器，以及各种其他机器学习技术。这项研究的主要目标是微调分类器，以较少的测试检测疾病，同时保持合理的疾病发现准确性。我们使用30个常用指标中的4个，在近94%的病例中成功识别出了这种情况。
2022-12-01 cs.AI cs.LG
Longitudinal Bayesian Learning of Continuous Disease Position across the Alzheimer's Disease Continuum
University of Texas Rio Grande Valley（德克萨斯大学里奥格兰德河谷分校）；University of Pittsburgh（匹兹堡大学）；Eli and Lilly Company（礼来公司）；Washington University in St. Louis（圣路易斯华盛顿大学）
该研究针对阿尔茨海默病连续体提出纵向贝叶斯学习框架DCP，推导DCS量化疾病位置，在ADNI队列上验证其性能优于现有方法，可连续评估AD进展。
2026-08-21 cs.AI cs.LG q-bio.QM
Improvement in Alzheimer's Disease MRI Images Analysis by Convolutional Neural Networks Via Topological Optimization
University of California, Irvine（加州大学欧文分校）
本文提出将Fourier拓扑优化用于MRI图像预处理，以增强脑结构边界和对比度，并结合VGG16、ResNet50、InceptionV3和Xception等CNN架构，显著提升了阿尔茨海默病的分类精度。
2023-10-25 cs.LG eess.IV
Discovering a reaction-diffusion model for Alzheimer's disease by combining PINNs with symbolic regression
Brown University（布朗大学）；Stanford University（斯坦福大学）
本文结合物理信息神经网络与符号回归，从纵向tau PET影像中发现区分阿尔茨海默病患者与健康对照的tau错误折叠反应-扩散方程及参数。
2023-07-16 cs.LG q-bio.QM
Visual Explanations From Deep 3D Convolutional Neural Networks for Alzheimer's Disease Classification
University of Florida（佛罗里达大学）
我们开发了三种有效的方法，用于从3D卷积神经网络（3D-CNN）中生成用于阿尔茨海默病分类的视觉解释。一种方法对分层3D图像分割进行敏感性分析，另两种方法在空间图上可视化网络激活。视觉检查和定量定位基准表明，所有方法都可以识别阿尔茨海默病诊断的重要大脑部位。对比分析表明，基于敏感性分析的方法难以处理松散分布的大脑皮层，基于激活可视化的方法受到卷积层分辨率的限制。这些方法的互补性从不同角度提高了对3D-CNN在阿尔茨海默病分类中的理解。
2018-07-06 cs.AI cs.CV cs.LG
Radiogenomic Bipartite Graph Representation Learning for Alzheimer's Disease Detection
Department of Electrical and Computer Engineering, Ohio State University（电子与计算机工程系，俄亥俄州立大学）；Department of Computer Science and Engineering, Ohio State University（计算机科学与工程系，俄亥俄州立大学）
提出融合结构MRI与基因表达数据的异构二分图表示学习框架，在小数据集上实现AD三阶段分类并识别关键基因。
2025-05-14 cs.LG eess.IV
Towards Alzheimer's Disease Progression Assessment: A Review of Machine Learning Methods
阿尔茨海默病（Alzheimer's Disease，AD）是世界范围内最具破坏性的神经退行性疾病，每年新发病例近1000万例。目前的技术提供了前所未有的机会，研究这种疾病的进展和病因与先进的成像技术。随着大数据和机器学习（ML）驱动的社会的出现，研究人员已经付出了相当大的努力来总结基于ML的AD诊断的最新进展。在这里，我们概述了一些用于评估AD进展的最流行和最新的ML模型，并提供了对未来使用ML进行AD研究可能有利的挑战，机遇和未来方向的见解。
2022-11-11 cs.LG q-bio.NC q-bio.QM
Learning the progression and clinical subtypes of Alzheimer's disease from longitudinal clinical data
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；National Institutes of Health（美国国立卫生研究院）
阿尔茨海默病（AD）是一种退行性脑部疾病，损害人进行日常活动的能力。阿尔茨海默病的临床表现的特征在于年龄、疾病跨度、进展速度、记忆和认知能力的损害的异质性。由于这些可变性，个性化的护理和治疗计划，以及对他们的个人进展的患者咨询是有限的。机器学习在复杂多维数据集中检测隐藏模式的最新发展为解决这一关键需求提供了重要机会。在这项工作中，我们使用无监督和监督机器学习方法进行亚型识别和预测。我们将机器学习方法应用于阿尔茨海默病神经成像倡议（ADNI）数据集的广泛临床观察，以识别患者亚型并预测疾病进展。我们的分析描绘了阿尔茨海默病的进展空间，分为低，中，高疾病进展区。拟议的工作将能够根据临床异质性早期检测和表征不同的疾病亚型。我们预计，我们的模型将使患者咨询，临床试验设计，并最终个性化的临床护理。
2018-12-06 cs.LG q-bio.QM stat.ML
Disease Progression Timeline Estimation for Alzheimer's Disease using Discriminative Event Based Modeling
Erasmus MC, University Medical Center Rotterdam（鹿特丹伊拉斯姆斯医学中心（鹿特丹大学医学中心））；Delft University of Technology（代尔夫特理工大学）
阿尔茨海默病（AD）的特征在于一连串生物标志物变得异常，其病理生理学非常复杂并且在很大程度上未知。基于事件的建模（EBM）是一种数据驱动的技术，用于基于横截面数据估计疾病的生物标志物变得异常的顺序。它可以帮助了解疾病进展的动力学，并促进早期诊断和预后。在这项工作中，我们提出了一种新的判别方法EBM，这是更准确的比现有的国家的最先进的EBM方法。该方法首先为每个受试者估计事件的近似顺序。随后，在所有科目的中央排序估计通过拟合广义马洛模型，这些近似的主题特定的排序。我们还引入了事件之间的相对距离的概念，这有助于创建疾病进展时间轴。随后，我们提出了一种方法，通过将受试者放置在估计的疾病进展时间轴上来对受试者进行分期。我们评估了阿尔茨海默病神经影像学倡议（ADNI）的数据所提出的方法，并与现有的国家的最先进的循证医学方法的结果进行比较。我们还对模拟阿尔茨海默病进展的合成数据进行了广泛的实验。从ADNI数据中获得的事件排序似乎是合理的，并且与目前对AD进展的理解一致。所提出的患者分期算法始终优于最先进的循证医学方法。在模拟实验中获得的事件排序比其他循证医学方法更准确，并且观察到估计的疾病进展时间轴与实际疾病进展的时间轴相关。这些实验的结果是令人鼓舞的，并表明，判别循证医学是一种有前途的方法，疾病进展建模。
2018-08-10 cs.LG stat.ML
MRI Images Analysis Method for Early Stage Alzheimer's Disease Detection
Faculty of Science, Northern Border University（北部边境大学理学院）；SEU Saudi Electronic University（沙特电子大学）
阿尔茨海默氏病是一种神经变性疾病，会改变记忆和认知功能，导致死亡。通过检测被称为轻度认知障碍（MCI）的早期阶段来早期诊断该疾病仍然是一个具有挑战性的问题。在这方面，我们在本文中介绍了一个强大的分类架构，该架构实现了预训练的网络AlexNet，以自动从磁共振成像（MRI）图像中提取最突出的特征，从而在MCI阶段检测阿尔茨海默病。使用OASIS Database Brain的大型数据库对所提出的方法进行了评估。使用了大脑的各个部分：额叶、矢状和轴向。通过对420例受试者（210例正常人和210例MRI）的测试，该方法的准确率达到96.83
2020-11-27 cs.CV cs.LG eess.IV
Dynamic Image for 3D MRI Image Alzheimer's Disease Classification
University of Kentucky（肯塔基大学）
我们建议将2D CNN架构应用于3D MRI图像阿尔茨海默病分类。训练3D卷积神经网络（CNN）是耗时且计算昂贵的。我们利用近似秩池将3D MRI图像体积转换为2D图像以用作2D CNN的输入。我们证明了我们提出的CNN模型比基线3D模型实现了$9.5\%$更好的阿尔茨海默病分类准确性。我们还表明，我们的方法可以进行有效的训练，与3D CNN模型相比，只需要20%的训练时间。该代码可在线获取：https://github.com/UkyVision/alzheimer-project。
2020-11-30 cs.AI cs.CV cs.LG
Automated detection of Alzheimer disease using MRI images and deep neural networks- A review
JSS Academy of Higher Education and Research（JSS高等教育与研究学院）；University of Delhi（德里大学）
早期发现阿尔茨海默病对于部署干预措施和减缓疾病进展至关重要。在过去的十年中，人们探索了许多机器学习和深度学习算法，旨在建立阿尔茨海默病的自动检测。数据增强技术和先进的深度学习架构的进步开辟了该领域的新前沿，研究正在快速发展。因此，这项调查的目的是概述最近关于阿尔茨海默病诊断的深度学习模型的研究。除了对众多数据源、神经网络架构和常用评估指标进行分类外，我们还对实现和可重复性进行了分类。我们的目标是帮助感兴趣的研究人员跟上最新的发展，并复制早期的调查作为基准。此外，我们还指出了该课题未来的研究方向。
2022-09-22 cs.CV cs.LG eess.IV
Alzheimer's Disease Diagnosis via Deep Factorization Machine Models
Ludwig-Maximilians-Universität（路德维希-马克西米利安大学）；Indiana University School of Medicine（印第安纳大学医学院）
目前用于阿尔茨海默病诊断的最先进的深度神经网络（DNN）使用不同的生物标志物组合来对患者进行分类，但是不允许提取关于生物标志物的相互作用的知识。然而，为了提高我们对疾病的理解，从学习模型中提取这些知识至关重要。在本文中，我们提出了一种深度因子分解机模型，它结合了DNN学习复杂关系的能力和线性模型的可解释性。所提出的模型有三个部分：（i）处理稀疏分类数据的嵌入层，（ii）有效学习成对交互的因子分解机，以及（iii）隐式建模高阶交互的DNN。在我们对阿尔茨海默病神经影像学倡议数据的实验中，我们证明了我们提出的模型比竞争模型更准确地分类认知正常，轻度认知障碍和痴呆症患者。此外，我们表明，可以获得有关生物标志物之间的相互作用的有价值的知识。
2021-08-12 cs.CV cs.LG
Image-Based Alzheimer's Disease Detection Using Pretrained Convolutional Neural Network Models
King Saud University（沙特国王大学）
本研究针对阿尔茨海默病早期准确检测的需求，提出基于预训练卷积神经网络模型的计算机辅助诊断系统，通过深度学习从神经成像生物标志物提取特征预测疾病类别，实验表明VGG16模型性能优于现有技术。
2025-02-09 cs.CV cs.LG eess.IV
Vision Transformers and Bi-LSTM for Alzheimer's Disease Diagnosis from 3D MRI
Louisiana State University Health Sciences Center at Shreveport（路易斯安那州立大学健康科学中心什里夫波特分校）；Erzurum Technical University（埃尔祖鲁姆技术大学）
本研究提出结合ViT和Bi-LSTM处理3D MRI图像以诊断阿尔茨海默病，利用ADNI数据验证，该方法在准确率等指标上表现优异。
2024-01-06 cs.CV cs.LG eess.IV
Flexible and Explainable Graph Analysis for EEG-based Alzheimer's Disease Classification
Stevens Institute of Technology（史蒂文斯理工学院）；Semcer Center for Healthcare Innovation（塞姆瑟医疗创新中心）；New Jersey Institute of Technology（新泽西理工学院）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Institute of Brain Science, College of Medicine, National Yang-Ming Chiao Tung University（国立阳明交通大学医学院脑科学研究所）
本研究提出了一种结合MOTPE超参数调优的灵活且可解释的门控图卷积网络（GGCN），利用EEG信号的功率谱密度区分阿尔茨海默病患者与健康个体，在多项指标上得分超过0.9，并揭示了脑区连接性差异。
2025-04-02 cs.LG eess.SP
Prediction of Progression to Alzheimer's disease with Deep InfoMax
The Mind Research Network（心智研究网络）；University of New Mexico（新墨西哥大学）；Microsoft Research（微软研究院）；Montreal Institute for Learning Algorithms（蒙特利尔学习算法研究所）；University of Montreal（蒙特利尔大学）；Shanxi University（山西大学）
可以说，无监督学习在处理脑成像的大多数算法中起着至关重要的作用。最近引入的无监督方法Deep InfoMax（DIM）是一种以灵活的非线性方式探索大脑结构的有前途的工具。在本文中，我们研究了DIM变体在阿尔茨海默病进展中的应用，并与监督AlexNet和ResNet启发的卷积神经网络进行了比较。作为基准，我们使用四组之间的分类任务：稳定和进行性轻度认知障碍（MCI）患者，阿尔茨海默病患者和健康对照组。我们的数据集由来自阿尔茨海默病神经成像倡议（ADNI）数据库的828名受试者组成。我们的实验突出了令人鼓舞的证据，DIM在未来的神经影像学研究中的高潜在效用。
2019-05-01 cs.LG cs.NE stat.ML
Hybrid Topological and Deep Feature Fusion for Accurate MRI-Based Alzheimer's Disease Severity Classification
Department of Data Science and Mathematics（数据科学与数学系）
本文提出融合拓扑分析与深度学习的混合框架，用于高精度的MRI阿尔茨海默病严重程度分类。
2026-02-01 cs.CV cs.LG
Alzheimers Disease Diagnosis using Machine Learning: A Review
Hindustan Institute of Technology and Science（印度斯坦科技学院）；Sacred Heart College（圣心学院）
本文综述2008–2023年60篇相关论文，比较深度学习与强化学习在阿尔茨海默病诊断中的应用，指出深度学习表现优异，而DRL在痴呆检测中仍具探索空间。
2023-04-17 cs.AI cs.LG
Deep learning for comprehensive forecasting of Alzheimer's Disease progression
Unlearn.AI, Inc.（Unlearn.AI公司）
大多数从电子健康数据进行机器学习的方法只能预测单个端点。在这里，我们提出了一种替代方案，使用无监督的深度学习来模拟详细的患者轨迹。我们使用的数据包括18个月的轨迹44个临床变量从1908例轻度认知障碍或阿尔茨海默病的训练模型的个性化预测疾病的进展。我们模拟合成患者数据，包括认知检查，实验室检查的每个子组件的演变，以及它们与基线临床特征的关联，生成预测及其置信区间。我们的无监督模型预测ADAS-Cog总分的变化，其准确性与专门训练的监督模型相同，并将与单词回忆相关的子成分识别为进展的预测。同时模拟数十种患者特征的能力是实现阿尔茨海默病个性化医疗的关键一步。
2018-11-07 cs.LG q-bio.QM stat.ML
Modeling Disease Progression in Mild Cognitive Impairment and Alzheimer's Disease with Digital Twins
Unlearn.AI, Inc.（Unlearn.AI公司）
阿尔茨海默病（AD）是一种神经退行性疾病，其以广泛的严重程度影响受试者，并且在临床试验中使用多种认知和功能工具进行评估。随着AD临床试验越来越关注疾病的早期阶段，特别是轻度认知障碍（MCI），在整个疾病谱中建模受试者结局的能力非常重要。我们使用称为条件限制玻尔兹曼机（CRBM）的无监督机器学习模型来创建AD受试者的数字孪生。数字孪生是模拟临床记录，与实际受试者共享基线数据，并在标准治疗下对其结局进行全面建模。CRBM在来自观察性研究中的受试者和整个AD谱的临床试验的安慰剂组的大量记录上进行训练。这些数据显示了数据集中受试者之间具有挑战性但常见的测量和缺失观察结果的拼凑，我们提出了一种旨在有效学习的新型模型架构。我们评估了针对保留测试数据集的性能，并展示了数字孪生如何在广泛的疾病严重程度范围内同时捕获临床试验中许多关键终点的进展，包括MCI和轻度至中度AD。
2020-12-24 cs.LG q-bio.QM
Graph of brain structures grading for early detection of Alzheimer's disease
Univ. Bordeaux（波尔多大学）；CNRS（法国国家科学研究中心）；Bordeaux INP（波尔多国立高等物理、数学与信息技术学院）；Universitat Politècnia de València（瓦伦西亚理工大学）
阿尔茨海默病是最常见的痴呆症，导致不可逆的神经退行性过程。到目前为止，受试者在确诊时发现了晚期脑结构改变。因此，早期诊断这种痴呆症是至关重要的，尽管这是一项具有挑战性的任务。最近，许多研究提出了生物标志物来早期检测阿尔茨海默病。他们中的一些人提出了基于学科间相似性的方法，而其他方法则研究了使用学科内变异性的框架。在这项工作中，我们提出了一个新的框架结合这两种方法在一个有效的大脑结构分级图。随后，我们证明了所提出的方法相比，国家的最先进的方法的竞争力。
2018-07-06 cs.CV cs.LG stat.ML
An Explainable Ensemble Framework for Alzheimer's Disease Prediction Using Structured Clinical and Cognitive Data
Computer Science \& Engineering (AI\&ML) Institute of Engineering \& Management Kolkata, India
本文提出了一种用于预测阿尔茨海默病的可解释集成框架，结合结构化临床和认知数据，利用多种集成算法和可解释性技术提升预测精度与透明度。
2026-02-26 cs.AI cs.LG
Predicting Alzheimer's disease: a neuroimaging study with 3D convolutional neural networks
Imperial College London（帝国理工学院）；King’s College London（伦敦国王学院）
近年来，使用神经成像数据诊断阿尔茨海默病的模式识别方法已经成为广泛研究的主题。在本文中，我们使用深度学习方法，特别是稀疏自编码器和3D卷积神经网络，来构建一种算法，该算法可以基于大脑的MRI扫描来预测患者的疾病状态。我们报告使用ADNI数据集的实验，涉及2,265个历史扫描。我们证明了3D卷积神经网络优于文献中报道的其他几种分类器，并产生最先进的结果。
2015-02-09 cs.CV cs.LG stat.AP
Ensemble learning with Conformal Predictors: Targeting credible predictions of conversion from Mild Cognitive Impairment to Alzheimer's Disease
Instituto Superior Técnico, Universidade de Lisboa（里斯本大学高等技术学院）
大多数机器学习分类器准确地给出了新示例的预测，但没有指出预测的可信度。在医疗领域，这阻碍了他们的决策支持系统，这可能是有用的临床实践中的集成。我们使用一种监督学习方法，该方法将包围学习与共形预测器相结合，以预测从轻度认知障碍到阿尔茨海默病的转换。我们的目标是提高分类性能（包围学习），并用可信度（共形预测器）来补充每个预测。我们的研究结果表明，所提出的方法优于一个类似的集成框架与标准分类器。
2018-07-05 cs.LG stat.ML
Smart ROI Detection for Alzheimer's disease prediction using explainable AI
Shahid Beheshti University（沙希德·贝赫什提大学）
目的预测轻度认知功能障碍（MCI）向阿尔茨海默病（Alzheimer's disease）的进展是减少疾病进展的重要一步。因此，许多基于深度学习的方法已经被引入这项任务。在这些方法中，基于感兴趣区域的方法在准确性和复杂性方面处于较好的位置。在这些技术中，针对所有患者手动提取大脑的一些特定部分作为ROI。人工提取感兴趣区域是耗时的，其结果取决于人类的熟练程度和精度。方法为了克服这些局限性，我们提出了一种新的智能方法，用于使用Grad-Cam和3DCNN模型提取每个患者的ROI，基于可解释的AI自动检测ROI。在自动提取ROI之后，使用提取的基于ROI的3D CNN来预测阿尔茨海默病。结果我们在著名的ADNI数据集的176例MCI患者上实现了我们的方法，并与最先进的方法相比，获得了显着的结果。使用5倍交叉验证获得的准确度为98.6，AUC为1。我们还比较了基于ROI的方法和基于全脑的方法的结果。结果表明，性能得到了显著提高。结论实验结果表明，智能ROI提取算法能够自动提取出感兴趣区域，对阿尔茨海默病的预测具有良好的效果。该方法也可用于阿尔茨海默病的分类和诊断。
2023-03-18 cs.CV cs.LG eess.IV
Machine Learning Classification of Alzheimer's Disease Stages Using Cerebrospinal Fluid Biomarkers Alone
University of Texas（得克萨斯大学）
本研究仅基于脑脊液生物标志物，采用多种机器学习模型对阿尔茨海默病的不同阶段进行分类，发现Ensemble Boosted Tree和Logistic Regression在二分类中准确率最高，Ensemble Bagged Tree在多分类中表现最佳，有助于临床早期诊断与干预。
2024-01-02 cs.LG q-bio.QM stat.AP
Adaptive Weighted Multiview Kernel Matrix Factorization with its application in Alzheimer's Disease Analysis -- A clustering Perspective
Clemson University（克莱姆森大学）
最近的技术和设备进步为我们提供了更好地分析阿尔茨海默病（AD）的机会，我们可以收集和利用来自不同图像和遗传模式的数据，这些数据可能会提高预测性能。为了在AD分析中进行更好的聚类，本文提出了一种新的模型来利用来自所有不同模态/视图的数据，该模型可以自适应地学习每个视图的权重。与传统的非负矩阵分解假设数据是线性可分的不同，本文提出了一种简单有效的基于核矩阵分解的方法，该方法不仅能够处理非线性数据结构，而且能够获得更好的预测精度。在ADNI数据集上的实验结果表明了该方法的有效性，表明了核函数在AD分析中的应用前景。
2023-03-07 cs.AI cs.LG
Learning the irreversible progression trajectory of Alzheimer's disease
Purdue University（普渡大学）；Indiana University（印第安纳大学）
针对阿尔茨海默病纵向预测中风险评分波动违反不可逆性的问题，本文提出一种单调性约束正则化方法，在ADNI纵向MRI和PET数据上同时提升了风险进展捕捉能力和预测准确性。
2024-08-30 cs.LG eess.IV
Ricci flow-based brain surface covariance descriptors for diagnosing Alzheimer's disease
Ecole Polytechnique（巴黎综合理工学院）；CNRS（法国国家科学研究中心）；IP Paris（巴黎理工学院）；Inria（法国国家信息与自动化研究所）
本文首次提出利用Ricci能量优化从皮层表面提取协方差描述符，结合高斯径向基函数进行流形分类，在ADNI数据集约200个3D MRI模型上实现了高准确率的阿尔茨海默病诊断。
2024-03-18 cs.CV cs.LG eess.IV
LearnAD: Learning Interpretable Rules for Brain Networks in Alzheimer's Disease Classification
Department of Computing（计算系）；Imperial College London（伦敦帝国学院）；School of Public Health（公共卫生学院）
LearnAD通过学习可解释的规则，实现了在阿尔茨海默病分类中识别脑网络的高可解释性方法。
2025-12-30 cs.AI cs.LG
LAVA: Granular Neuron-Level Explainable AI for Alzheimer's Disease Assessment from Fundus Images
University of Florida（佛罗里达大学）
阿尔茨海默病（AD）是一种进行性神经退行性疾病，是痴呆的主要原因。早期诊断对于患者从潜在的干预和治疗中获益至关重要。由于视网膜与大脑的解剖学联系，视网膜已被假设为AD检测的诊断部位。为此目的开发的人工智能模型尚未提供有关该决定的合理解释，也无法推断疾病进展的阶段。沿着这个方向，我们提出了一种新的模型不可知的可解释AI框架，称为颗粒神经元级解释器（LAVA），这是一种解释原型，它探讨了卷积神经网络（CNN）模型的中间层，以直接从视网膜成像评估AD连续体，而无需纵向或临床评估。该方法用于验证视网膜血管作为阿尔茨海默病（AD）评价的生物标志物和诊断模式。英国生物库认知测试和血管形态学特征表明，LAVA在识别整个进展过程中的AD阶段方面显示出强大的前景和有效性。
2023-03-16 cs.AI cs.LG eess.IV
Towards early diagnosis of Alzheimer's disease: Advances in immune-related blood biomarkers and computational modeling approaches
Fraunhofer Institute for Algorithms and Scientific Computing (SCAI)（弗劳恩霍夫算法与科学计算研究所（SCAI））；University of Bonn（波恩大学）；Tel Aviv University（特拉维夫大学）；Hospital Clínic de Barcelona（巴塞罗那临床医院）；University of Barcelona（巴塞罗那大学）；ImmunoBrain Checkpoint Ltd.（ImmunoBrain Checkpoint有限公司）；Sagol School of Neuroscience（萨戈尔神经科学学院）
本文综述脑—免疫系统交互作用背景下，结合机器学习、机制建模与现代组学技术发现免疫相关血液生物标志物，以推动阿尔茨海默病早期诊断的研究进展。
2023-12-06 cs.LG q-bio.QM
Learning Patient-Specific Spatial Biomarker Dynamics via Operator Learning for Alzheimer's Disease Progression
Alzheimer’s Disease Neuroimaging Initiative（阿尔茨海默病影像化计划）
本文提出基于算子学习的机器学习框架，利用拉普拉斯特征函数基构建几何感知神经算子，学习患者特异性AD生物标志物时空动态，在临床数据上实现超过90%的预测准确率，支持个体化预测与治疗模拟。
2025-07-22 cs.LG q-bio.QM
Dynamic causal discovery in Alzheimer's disease through latent pseudotime modelling
King’s College London（伦敦国王学院）
本文提出利用潜在伪时间模型对阿尔茨海默病进行动态因果发现，推断独立于年龄的疾病轨迹并学习因果关系的演变，在诊断预测上优于年龄，并揭示了新型与经典AD标志物间的动态交互。
2025-11-06 cs.CE cs.LG stat.AP
Introducing an ensemble method for the early detection of Alzheimer's disease through the analysis of PET scan images
Amirkabir University of Technology (Tehran Polytechnic)（阿米尔卡比尔理工大学（德黑兰理工学院））
本文提出一种集成方法，结合VGG16、AlexNet和自定义CNN对ADNI的PET图像进行四分类，以早期识别阿尔茨海默病及进行性MCI，平均准确率达93.13%。
2024-04-01 cs.AI cs.CV cs.LG
A Survey on Automated Diagnosis of Alzheimer's Disease Using Optical Coherence Tomography and Angiography
Isik University（伊希克大学）；Istanbul Technical University（伊斯坦布尔技术大学）
视网膜光学相干断层扫描（OCT）和光学相干断层血管造影（OCTA）是（早期）诊断阿尔茨海默病（AD）的有前途的工具。这些非侵入性成像技术具有成本效益，比其他神经成像工具更容易获得。然而，即使对于受过训练的从业者来说，对OCT设备产生的多切片扫描进行解释和分类也是耗时且具有挑战性的。有关于机器学习和深度学习方法的调查，涉及对各种疾病（如青光眼）的OCT扫描的自动分析。然而，目前的文献缺乏广泛的调查阿尔茨海默病或认知功能障碍的诊断使用OCT或OCTA。这促使我们针对需要介绍该问题的机器/深度学习科学家或从业者进行全面调查。论文包含1）介绍阿尔茨海默病和认知障碍的医学背景以及使用OCT和OCTA成像模式进行诊断，2）从自动化分析的角度回顾该问题和子问题的各种技术建议，3）对最近的深度学习研究和可用的OCT/OCTA数据集直接针对阿尔茨海默病和认知障碍的诊断。对于后者，我们使用Publish or Perish Software从Scopus、PubMed和Web of Science等各种来源搜索相关研究。我们遵循PRISMA方法筛选了3073篇参考文献的初始库，并确定了10项直接针对AD诊断的相关研究（N=10，3073）。我们发现缺乏开放的OCT/OCTA数据集（关于阿尔茨海默病）是阻碍该领域进展的主要问题。
2022-09-07 cs.AI cs.LG eess.IV
Hippocampus segmentation in magnetic resonance images of Alzheimer's patients using Deep machine learning
Shahid Beheshti University of Medical Sciences（沙希德·贝赫什提医科大学）；Khazar University（哈扎尔大学）
背景：阿尔茨海默病是一种进行性神经退行性疾病，是老年痴呆的主要原因。海马在阿尔茨海默病的早期阶段容易发生变化。在阿尔茨海默病发病前利用磁共振成像（MRI）检测和观察海马的变化，有助于更快地采取预防和治疗措施。目的：本研究的目的是使用深度机器学习方法对阿尔茨海默病患者的磁共振（MR）图像中的海马进行分割。方法：提出一种基于U-Net结构的卷积神经网络，对真实的MRI数据进行海马分割。阿尔茨海默病神经影像学倡议（ADNI）数据集中的100例和35例患者的MR图像分别用于模型的训练和测试。通过度量相似性度量，将该方法的性能与人工分割进行了比较。结果：经过10次迭代后，达到了预期的分割效果。获得了训练集92.94和测试集92.93的Dice相似系数（DSC）= 92.3%，灵敏度= 96.5%，阳性预测值（PPV）= 90.4%，以及可接受的交点大于并集（IoU）值。结论：所提出的方法是有前途的，可以扩展到阿尔茨海默病的预后预测海马体积的变化在疾病的早期阶段。
2021-06-16 cs.CV cs.LG eess.IV
Personalized Gaussian Processes for Future Prediction of Alzheimer's Disease Progression
Massachusetts Institute of Technology（麻省理工学院）；Imperial College London（伦敦帝国学院）
在本文中，我们介绍了使用个性化的高斯过程模型（pGP）来预测阿尔茨海默病进展的关键指标（MMSE，ADAS-Cog 13，CDRSB和CS）的基础上，每个病人的以前的访问。我们首先使用基础高斯过程（GP）回归，使用来自以前见过的患者的多模态数据学习人群水平模型。然后，使用域自适应GP随时间顺序地适应该模型以形成患者的pGP。我们表明，这种新方法，再加上自回归公式，导致显着改善预测未来的临床状态和目标患者的认知评分相比，与传统的GP人群建模。
2018-05-04 cs.LG q-bio.QM stat.ML
Dynamic Functional Connectivity and Graph Convolution Network for Alzheimer's Disease Classification
阿尔茨海默病（AD）是痴呆症的最普遍形式。传统的诊断方法无法实现AD的高效、准确诊断。在本文中，我们介绍了一种新的方法，基于动态功能连接（dFC），可以有效地捕捉大脑中的变化。我们比较和组合四种不同类型的功能，包括低频波动幅度（ALFF），区域均匀性（ReHo），dFC和不同的大脑结构之间的邻接矩阵。我们使用图卷积网络（GCN）来解决非欧域的分类问题，它考虑了患者之间大脑结构的相似性。该方法的准确度和受试者工作特征曲线下的面积分别达到91.3%和98.4%。这一结果表明，我们提出的方法可以用于检测AD。
2020-06-24 cs.CV cs.LG eess.IV
