共计 773 个字符，预计需要花费 2 分钟才能阅读完成。
巴基斯坦研究员 Mian Muhammad Sadiq Fareed 博士在人工智能和医学影像领域取得重大突破，开发出名为 ADD-Net 的深度学习模型，为阿尔茨海默病的早期检测带来革命性进展。
阿尔茨海默病作为全球最具挑战性的神经疾病之一，其早期诊断常常因手动 MRI 解读的局限性而被遗漏。Fareed 博士指出，深度学习能够以超越人眼检测的精度分析脑部图像，从而在最早阶段捕捉到结构异常。
- 
ADD-Net 模型通过分析数千张 MRI 图像，能够准确识别四类认知健康状况：正常衰老、非常轻度痴呆、轻度痴呆和中度痴呆。该模型学习了与这些阶段相对应的脑萎缩模式和其他偏差，为医生提供了一种更可靠、更快速、更客观的诊断工具。
医学人工智能面临的最大挑战之一是数据集的不平衡。为解决这一问题，Fareed 博士采用了一种名为 SMOTETomek 的专门技术，生成高质量的合成 MRI 图像以平衡代表性不足的类别。
在与著名深度学习架构如 DenseNet169、VGG19 和 InceptionResNet-V2 的测试中，ADD-Net 表现出色，达到了 98.63% 的准确率、99.76% 的 AUC 以及异常强大的精确度和召回率。这些结果使 ADD-Net 成为迄今为止报道的最准确的阿尔茨海默病检测模型之一。
Fareed 博士还使用 Grad-CAM 热图技术，视觉上突出了模型在做出预测时关注的脑部特定区域。这种透明度对于临床接受至关重要，使医生能够理解为什么系统将患者识别为轻度或中度痴呆，并帮助他们信任 AI 辅助诊断。
Fareed 博士认为，该模型可以通过减少诊断延迟和实现早期干预来支持神经科医生。他将继续完善模型，并通过更大更多样化的数据集进行扩展，希望整合迁移学习和更先进的神经影像技术。ADD-Net 被视为迈向更精确、更易获得和更有效的诊断工具的重要一步，为受阿尔茨海默病影响的患者和家庭带来希望。
