摘要：目的探讨基于双线性卷积神经网络(BRNV)模型的阿尔茨海默病(AD)自动诊断。方法选取AD神经成像倡议(ADNI)数据库中的AD(n=93)、轻度认知功能障碍(MCI,n=76)及正常认知(NC,n=100)受试者的核磁共振图像(MRI)作为数据集,预处理后按照8∶2的比例分为训练集和验证集,同时另取ADNI中不同于以上已经选取的受试者数据150例作为测试集(AD、MCI及NC受试者各50例),将每名受试者经过预处理后的三维MRI数据转换为矢状面、冠状面及横断面2 D切片123张,最终获得AD组MCI组及NC组受试者训练集(n=9225、7503、9840)、验证集(n=2214、1845、2460)及测试集(n=6150、6150、6150)2 D切片;设计BRNV模型对预处理后的MRI数据进行分类预测,采用迁移学习方法为模型寻找最优的初始网络参数权重,通过BRNV模型对AD的分类效果绘制受试者工作特征曲线(ROC),以ROC曲线下面积(AUC)、准确率、特异性及敏感性评估模型的诊断价值。结果BRNV模型对AD受试者诊断分类,准确率、AUC、特异性及敏感性分别达85.4%、91.3%、86.1%及84.2%;BRNV模型对MCI受试者诊断分类,准确率、AUC、特异性及敏感性分别达73.3%、75.1%、72.0%及74.0%。结论BRNV模型在AD自动诊断中具有较高的准确率,有助于针对AD的计算机辅助诊断系统开发,并帮助医生提高AD的诊断效率。