文章开放获取 发表日期：2026年8月12日 科学报告（2026） 引用本文 我们提供了本手稿的未经编辑版本，以便提前获取其研究结果。在最终出版之前，手稿将进行进一步编辑。请注意，内容中可能存在影响信息的错误，并且所有法律声明适用。 摘要 阿尔茨海默病（AD）是一种神经退行性脑疾病，随时间推移导致髓质功能的持续减退，通常影响老年人。临床上通过病理产生诊断神经纤维缠结和β-淀粉样蛋白斑块在整个脑内的积累。然而，缺乏对其潜在原因的了解，导致该疾病没有治愈方法。这是识别AD于前驱期的主要原因，而传统方法在准确性、可靠性和早期检测方面常常面临限制。这些传统方法如神经心理测试和临床评估，成本高且耗时，导致所有个体的可及性较低。另一方面，机器学习（ML）算法提供了更好和高效的结果。基于深度学习（DL）方法实施的自动和早期检测技术具有更高的效率和可扩展性，可能有助于预测更大人群的疾病。尽管已有研究提供了CNN模型，具有足够的准确性，但在迁移学习模型中对最小超参数进行了优化，包括批量大小、学习率和优化器。本研究提出了一种定制的CNN模型，证明其效率和准确性比基准模型高3.37%，并取得了令人印象深刻的精确度和F1分数。此外，实施了一种5折分层交叉验证策略，平均模型准确度为98.47% ± 0.26%。它包含与微调超参数和滤波器的卷积层，分类阿尔茨海默病的概率。这种方法有潜力革新AD的早期筛查并促进及时干预。 资金 开放获取资助由贾伊普曼尼帕尔大学提供。本研究未获得外部研究资助。根据贾伊普曼尼帕尔大学的机构APC政策，免除了文章处理费（APC）。 作者信息 作者与机构 查谭加尔大学工程学院，印度旁遮普邦莫哈里140413 Rishika Paul, Ambarish Manna & Rakesh Kumar 计算机科学与工程系，印度旁遮普邦吕迪亚那141006 Guru Nanak Dev工程学院 Lovejit Singh 物联网与智能系统系，印度拉贾斯坦邦贾伊普303007 Manipal大学 G. L. Saini 作者 Rishika Paul Ambarish Manna Lovejit Singh Rakesh Kumar G. L. Saini 通讯作者 联系人 Ambarish Manna 或 G. L. Saini . 其他信息 出版者声明 斯普林格自然在出版的地图和机构隶属关系中对管辖权声明保持中立。 权利与许可 开放获取 本文根据知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议进行许可，允许任何非商业性使用、分享、分发和以任何媒介或格式复制，只要您适当给予原作者及来源的信用，提供指向知识共享许可证的链接，并指明您是否修改了许可材料。您在此许可下无权共享根据本文章或其部分改编的材料。本文章中的图片或其他第三方材料包括在文章的知识共享许可证中，除非在材料的信用行中另有说明。如果材料未包括在文章的知识共享许可证中，而您的预期用途未得到法定规定的许可或超出了允许的使用，您需要直接从版权所有者处获得许可。要查看此许可证的副本，请访问 http://creativecommons.org/licenses/by-nc-nd/4.0/ . 再次印刷及许可 文章引用 Paul, R., Manna, A., Singh, L. 等. AlzheiNN: 基于卷积神经网络的阿尔茨海默病分类模型. Sci Rep (2026). https://doi.org/10.1038/s41598-026-64954-2 下载引用 收到 : 2026年1月18日 接受 : 2026年7月28日 发表 : 2026年8月12日 DOI : https://doi.org/10.1038/s41598-026-64954-2 关键字