69、基于RVFL分类器的集成深度学习用于阿尔茨海默病的早期诊断

基于RVFL分类器的集成深度学习用于阿尔茨海默病的早期诊断

背景介绍

阿尔茨海默病（AD）是一种不可逆的神经退行性疾病，在老年人中的患病率日益增加，预计到2050年患者数量将达到1500万。这种疾病会导致患者大脑细胞受损，出现记忆力减退、认知能力下降等症状，严重影响日常生活。目前，AD尚无治愈方法，早期诊断是减缓病情进展的关键。

神经影像学技术，如磁共振成像（MRI），为AD的诊断提供了重要手段。MRI可以清晰地显示大脑的解剖结构，帮助医生观察到AD患者大脑中颞叶结构、海马体体积和大脑皮层等部位的变化。

相关研究方法的局限性

目前有许多机器学习（ML）技术，如支持向量机（SVM）、k近邻（kNN）和朴素贝叶斯等，被用于AD诊断。然而，这些方法需要手动从大脑MRI扫描中提取和选择特征，存在人工误差、劳动强度大、耗时等问题。

深度学习（DL）架构则克服了这一缺点，它能够自动选择特征，更有效地捕捉MRI扫描图像中的细微特征差异。常见的深度学习网络，如深度信念网络（DBN）和卷积神经网络（CNN），可以通过结合MRI数据集中的深度特征，构建高级诊断系统。但传统的深度学习网络通常采用反向传播方法进行训练，这一过程耗时较长，且需要大量的数据集。

随机神经网络可以克服反向传播的缺点，训练速度快。其中，随机向量功能链接（RVFL）网络因其在预测、分类和回归等多个领域的出色表现而闻名。RVFL是一种具有单隐藏层的前馈神经网络，隐藏层的权重和偏置是随机给定的，并在整个训练过程中保持固定。

本文的主要贡献

• 提出集成深度学习架构 ：采用基于集成的