阿尔兹海默症（AlzheiAMG510作用mer’s Disease，AD）是一种患病率很高的神经退行性疾病，严重影响老年人生活。磁共振（MRI）能够无创获取大脑的形态结构揭示脑部的病理改变，是目前AD诊断的主要手段。深度学习在图像处理上具有强大的特征提取和建模能力，使用深度学习方法处理MRI进行AD的自动诊断具有巨大的应用价值。对于三维的脑图像，病变的大小和位置具NSC 125973有随机性和关联性，局部细节特征和全局的长程依赖信息都很重要。针对此类问题，提出了一种基于注意力的结合3D 卷积神经网络（Convolutional Neural Network ，CNN）和Transformer的端到端网络用以分类AD病人和正常人。首先采用3D CNN提取深层语义特征图，经多尺度特征加权的注意力编码后由Transformer全局建模得到分类结果。在AD数据集和公开的3D医学分类数据集上验证，分类指标准确性、敏感性和特异性均有所提升。在AD分类任务medical management上准确性达到95%，模型的注意力图突出了额叶、后扣带皮质等疾病相关区域。结果显示该方法具有较好的分类性能，可以作为一种自动、有效、便捷的AD及其他医学任务辅助诊断方法。