阿爾茨海默�。ˋD）作為全球老齡化社會面臨的重大神經退行性疾病，其早期診斷對延緩病情至關重要。然而，傳統診斷依賴專業醫師對磁共振成像（MRI）中腦組織萎縮的手動分析，耗時且易受主觀影響。盡管機器學習（ML）和深度學習（DL）技術如支持向量機（SVM）和卷積神經網絡（CNN）已應用于AD檢測，但存在特征提取效率低、類不平衡（如OASIS和ADNI數據集）及模型訓練復雜度高等瓶頸。尤其現有方法難以平衡局部極小值與計算開銷，導致預測精度受限。

針對上述挑戰，研究人員開發了基于CAdam優化的強化學習深度卷積神經網絡（CAdam-RL-DCNN）模型。該模型通過非局部去噪預處理、改進郊狼優化算法分割腦組織（白質、灰質、腦脊液），并融合ResNet特征與紋理特征降低數據復雜度。關鍵創新在于CAdam優化器，結合郊狼社會行為與Adam的自適應參數，顯著減少訓練時間并避免局部最優。實驗表明，模型在ADNI數據集上實現96.31%準確率，OASIS數據集達95.09%，且敏感性、特異性等指標均優于現有方法。

技術方法上，研究采用多階段流程：1）非局部去噪預處理提升MRI質量；2）改進郊狼優化算法分割腦區；3）混合ResNet與統計特征提��；4）CAdam-RL-DCNN分類器結合強化學習決策機制；5）SMOTE算法解決類不平衡問題。

結果部分：

• ADNI數據集性能：模型準確率96.31%，敏感性97.50%，特異性94.06%，驗證了其在AD陽性樣本中的高識別能力。
• OASIS數據集泛化性：95.09%準確率表明模型跨數據集穩定性，尤其對少數類樣本（如早期AD）的檢測效果顯著。
• 對比分析：相較于傳統CNN、RNN和GCN，CAdam-RL-DCNN在訓練效率與梯度消失問題上表現更優，如F1-score提升至95.65%（ADNI）。

結論與意義：
該研究通過智能優化算法與深度學習的協同，解決了AD診斷中的特征提取與計算效率矛盾。CAdam優化器的引入不僅加速收斂，還通過強化學習的動態決策機制提升了模型魯棒性。臨床意義上，該模型為資源有限地區提供了低成本、高精度的AD篩查方案，尤其對早期癥狀不明顯的病例具有預警價值。未來可擴展至其他神經退行性疾病的影像分析領域。

（注：論文發表于《Biomedical Signal Processing and Control》，作者Puja A. Chaudhari與Suhas S. Khot未披露單位信息，但命名風格暗示可能為國內機構。）