基于反向验证范式的阿尔茨海默病MRI影像诊断可靠性增强研究

　　本综述针对阿尔茨海默病（AD）MRI诊断中深度学习模型存在的空间依赖性与验证机制缺陷，创新性提出融合特征位置不变性（FPI）、生物标志物位置增强（BLA）和高置信队列（HCC）选择的反向验证框架。该方案通过解剖结构重构验证显著提升模型鲁棒性，在YOLO与MobileNet架构上实现准确率2–4%的提升，为临床提供兼具高精度与可解释性的AI诊断支持系统。

　　

亮点 (Highlights)

• 提出突破性的反向验证范式解构模型空间记忆依赖

• 开发特征位置不变性（FPI）验证解剖特征识别能力

• 设计生物标志物位置增强（BLA）策略打破空间偏见

• 采用高置信队列（HCC）选择提升训练集可靠性

• 在二元/三分类任务中实现2–4%的准确率提升

结论 (Conclusion)

本研究通过创新的反向验证框架显著增强了阿尔茨海默病（AD）深度学习检测模型的鲁棒性。我们的三大方法论贡献——FPI通过解剖结构重构确保海马体识别的位置无关性，BLA数据增强策略打破空间偏见，HCC机制筛选高置信样本——共同推动了模型效能与可靠性的跨越式发展。实验证明该框架在YOLO和MobileNet架构上实现了最先进的分类性能，其解剖对齐的验证方式更为医疗从业者提供了直观的决策依据，标志着AD诊断向可信赖人工智能辅助迈出关键一步。

作者贡献声明 (CRediT authorship contribution statement)

Junaidul Islam: 研究构思、数据治理、算法实现、验证测试、可视化呈现、论文撰写与修订

Elvin Nur Furqon: 数据治理与算法支持

Isack Farady: 数据治理、理论探究与论文撰写

John Sahaya Rani Alex: 研究指导与论文审阅

Cheng-Ting Shih: 研究指导与论文审阅

Chia-Chen Kuo: 研究指导、资源协调与论文审阅

Chih-Yang Lin: 研究领导、资源整合、理论指导、论文审阅与学术监督