Journal of Zhejiang University(Science Edition) 2026年9月15日该研究在ADNI数据上构建了一个基于ResNet50迁移学习的患者级多模态融合框架，将MRI与PET影像特征与临床变量（ADAS11、ADAS13、APOE4、年龄、性别、教育年限、MMSE总分）拼接后经全连接网络输出AD/MCI/CN三分类，并以Grad-CAM生成热力图；消融实验显示准确率随模态增加而上升，MRI单模态39.61%、PET单模态51.72%、仅临床66.67%、MRI+PET 54.17%、三模态融合79.17%（24例患者测试集，95% Wilson区间约59.5%–90.8%），其中加入临床数据带来最大单次提升。该研究在ADNI数据上构建了一个基于ResNet50迁移学习的患者级多模态融合框架，将MRI与PET影像特征与临床变量（ADAS11、ADAS13、APOE4、年龄、性别、教育年限、MMSE总分）拼接后经全连接网络输出AD/MCI/CN三分类，并以Grad-CAM生成热力图；消融实验显示准确率随模态增加而上升，MRI单模态39.61%、PET单模态51.72%、仅临床66.67%、MRI+PET 54.17%、三模态融合79.17%（24例患者测试集，95% Wilson区间约59.5%–90.8%），其中加入临床数据带来最大单次提升。可解释多模态深度学习框架：融合MRI、PET与临床数据的三分类阿尔茨海默病诊断该研究在ADNI数据上构建了一个基于ResNet50迁移学习的患者级多模态融合框架，将MRI与PET影像特征与临床变量（ADAS11、ADAS13、APOE4、年龄、性别、教育年限、MMSE总分）拼接后经全连接网络输出AD/MCI/CN三分类，并以Grad-CAM生成热力图；消融实验显示准确率随模态增加而上升，MRI单模态39.61%、PET单模态51.72%、仅临床66.67%、MRI+PET 54.17%、三模态融合79.17%（24例患者测试集，95% Wilson区间约59.5%–90.8%），其中加入临床数据带来最大单次提升。该研究在ADNI数据上构建了一个基于ResNet50迁移学习的患者级多模态融合框架，将MRI与PET影像特征与临床变量（ADAS11、ADAS13、APOE4、年龄、性别、教育年限、MMSE总分）拼接后经全连接网络输出AD/MCI/CN三分类，并以Grad-CAM生成热力图；消融实验显示准确率随模态增加而上升，MRI单模态39.61%、PET单模态51.72%、仅临床66.67%、MRI+PET 54.17%、三模态融合79.17%（24例患者测试集，95% Wilson区间约59.5%–90.8%），其中加入临床数据带来最大单次提升。