阿尔茨海默症(Alzheimer’Cellular immune responses disease,AD)是一种进行性神经退行性疾病。其症状表现为反应迟缓、记忆衰退、理解及语言表达能力下降等方面,会干扰个人进行日常生活的能力。AD的疾病在目前的治疗阶段是不可逆的,随着时间的推移认知状况会逐渐恶化。AD诱发的认知障碍与大脑皮层形态的改变密切相关。为了观察AD的发展并评估AD早期干预措施的有效性,基于结构磁共振成像(Magnetic Resonance Imaging,MRI)提出了一种AD特异性异常表面模式相似性测量算法,该方法能够利用单变量神经退行性变生物标志物(Univariate Neurode3-Methyladenine供应商generation Biomarkers,UNB)来反映AD相关疾病诱导的形态学变化。首先,采用加权球面谐波表示方法实现皮层表面厚度信息和感兴趣区域的配准;其次,通过广义线性模型,去除年龄、性别和组别对大脑皮层中厚度信息的影响,提取本质的厚度信息,通过比较感兴趣区域上个体形态萎缩模式与AD组萎缩模式的相似性,构建个体受试者的单变量神经退行性变生物标志物。在阿尔茨海默病神经成像计划(Alzheimer’s Disease Neuroimaging Initiative,ADNI)数据库中验证了提出的算法。根据计算的UNB,在Aβ+AD、Aβ+轻度认知障碍和Aβ+认知未受损纵向组中,最小样本量分别为156、349和423。在与临床指标的相关性分析中,无论在AD的哪个阶段,UNB与临床指标的相关性都要优于体积测量与临床指标的相关性。表明UNB可以作为潜在的生物标志物,可以反映AD相关疾病引起的大脑皮层形态变化。随着人工智能的发展,深度学习应用于医学上的阿尔兹海默症的诊断。在本文中,通过谱图卷积(Graph Convolutional Networks,GCN)来探索个体的本质特征。为了进一步实现AD的早期诊断,提出了一个基于单变量神经退行性变生物标志物的GCN分类框架。对于GCN分类模型,将个体的UNB作为节点的特征,根据个体之间表型信息的相似性构造节点之间的邻域系统,通过谱图卷积来探索个体的本质特征。构建注意力模块并嵌入到GCN框架中,可以细化输入的形态特征,突出AD对大脑皮层的主要影响,弱化个体多样性带来的不稳定性,从而识别出受AD影响显著的感兴趣区域,Nirmatrelvir生产商进一步提高分类的精度。在ADNI数据库上测试了UNB-GCN框架。本文提出的UNB-GCN框架结合注意力模块可有效提高分类性能,AD与CU的分类准确率为95.12%,AD和轻度认知障碍(MCI)的分类准确率为83.33%。分类结果要优于传统的机器学习算法和深度学习的其它算法。引入的注意力模块,进一步提高了分类性能,同时识别出大脑皮层在AD的影响下,形态变化显著的区域。基于UNB对AD引起的大脑皮层形态变化的可靠性和敏感性,以及注意力模块对UNB-GCN分类框架的增强作用,提出的分类模型可以充分利用个体的形态特征和个体表型信息之间的相关性进行训练和分类,从而提高分类的计算效率和准确性,从而实现AD的早期诊断。