近日，电子信息与通信学院硕士研究生巨荣辉同学在导师周潘副教授指导下撰写的第一作者学术论文 “Early Diagnosis of Alzheimer’s Disease Based on Resting-State Brain Networks and Deep Learning”（“基于静息状态大脑网络和深度学习的阿兹海默病提前诊断”）被我校认定的A类期刊 IEEE/ACM Transactions on Computational Biology and Bioinformatics 录用，该杂志是医疗信息领域重要期刊，集中收录医疗健康与计算机技术、数学、算法结合的最新研究成果。

   医疗影像是现在人工智能的重点应用领域，也是国家新一代人工智能发展规划的重点方向之一。该论文将深度学习技术应用于大脑核磁共振图像处理，解决了阿兹海默病（老年痴呆中最常见的一种）提前诊断的难题。通过将受试者的大脑核磁共振图像进行分区，计算静息状态下大脑不同区域之间功能协同的相关程度，构建大脑网络。然后通过深度学习方法对大脑网络进行分析，便可以对患者和健康者的大脑图像提取出不同特征，由此进行疾病的提前诊断。

该研究使用南加州大学的阿兹海默病医疗影像数据库（ADNI）作为数据源进行模型训练。由于医疗影像数据获取困难，格式杂乱，数据不完整情况多发，预处理困难，因此要据此进行深度学习模型训练有诸多挑战。在周潘副教授建议下，课题组首先从ADNI数据库中取出所有的核磁共振图像，然后挑选出在一年时间内有较为完整医疗记录的受试者数据，为了去除干扰，将头部运动参数、脑脊液和白质信号去除，再进行正则化、滤波等操作才得到可以训练的数据。由此也可以看出，在当今的医疗信息数据管理中，进行格式统一、标准化流程的数据收集以及进行跨医院的、大规模、专业化的数据库构建对于智能化的医疗信息处理和疾病诊断有重大的意义。

该研究将根据大脑核磁共振图像进行阿兹海默病早期诊断的准确度从80%提高到86%以上，并依据实验结果分析了阿兹海默病早期大脑结构与功能的变化以及患病对于大脑结构的影响，为医疗影像处理和疾病分析提供了强有力的参考。该项研究对于深度学习技术在疾病诊断方面的应用进行了深度探索，为最新的计算机技术在其他医疗疾病诊断方面的应用做了良好铺垫。并且，该项研究成果的应用可以极大地降低社会养老和防控阿兹海默病的成本，对于病人和社会都有非常积极的意义。