基于集成量子启发深度神经网络与 Transformer 模型的可解释阿尔茨海默病分类
摘要由于神经退行性模式的异质性以及各种成像源的非泛化性，阿尔茨海默病（AD）的分类通常缺乏一致性和可靠性。本研究提出了一种可解释且鲁棒的分类框架，能够在分布内和盲测设置下保持其性能。该研究使用了 4 个公开可用的脑 MRI 数据集，涵盖了 AD 的几个阶段，包括非痴呆、轻度认
由于神经退行性模式的异质性以及各种成像源的非泛化性，阿尔茨海默病（AD）的分类通常缺乏一致性和可靠性。本研究提出了一种可解释且鲁棒的分类框架，能够在分布内和盲测设置下保持其性能。该研究使用了 4 个公开可用的脑 MRI 数据集，涵盖了 AD 的几个阶段，包括非痴呆、轻度认知障碍和进行性阿尔茨海默病阶段。数据集包含平衡和增强扫描，且临床异质性扫描是通过不同的成像和采集技术获取的。使用一个专用的独立数据集进行盲评估，以检查对未见源域偏移的鲁棒性。本文提出了一种名为 Tri-Fusion-ADNet 的可解释混合框架。它由 EfficientNet-V2-S（用于局部神经解剖特征提取）、Swin TransformerV2（用于建模长程上下文依赖关系）以及量子启发的变分神经网络（QI-VNN）（用于增强高阶特征的交互）组成。在分类之前，已在特征层面进行了融合。模型的可靠性通过在各种数据集上进行 10 折交叉验证进行检查。此外，通过使用 Grad-CAM 进行可视化支持了定性可解释性。提出的 Tri-Fusion-ADNet 在所有数据集中均表现良好。在平衡增强数据集（D-I）上，模型的测试准确率为 98.42%（MCC = 0.979）。在增强数据集（D-II）上，准确率为 97.86%（MCC = 0.973）。临床异质性数据集（D-III）的准确率为 96.21%（MCC = 0.949）。此外，在 D-I 上训练并在 D-II 上测试时准确率为 91.18%，在 D-II 上训练并在 D-I 上测试时准确率为 91.64%，无需适应的跨数据集测试产生了非常高的准确率。此外，在针对独立未见数据集（D-IV）的盲跨数据集评估期间，该框架保持了 91.22% 的鲁棒准确率，验证了其域偏移的泛化能力。
