阿爾茨海默病(AD)作為進行性神經退行性疾病，全球患者數量預計2050年將翻倍。目前臨床診斷依賴MRI、PET等影像技術，但存在主觀性強、早期識別率低等問題。傳統CNN模型雖能提取局部特征，卻難以捕捉長程依賴關系；而純Transformer模型計算成本高且空間分辨率不足。如何整合兩種技術的優勢，成為提升AD診斷精度的關鍵挑戰。

沙特阿拉伯國王大學Hassan Almalki團隊在《Scientific Reports》發表研究，提出ResNet101-ViT和GoogLeNet-ViT混合架構。研究采用OASIS數據集的86,437張MRI圖像，通過AMF去噪和拉普拉斯濾波增強邊緣特征，改進CNN結構降低計算量，優化ViT的編碼器塊和注意力頭配置。關鍵技術創新包括：1) 雙模態圖像預處理；2) CNN特征圖分塊嵌入ViT；3) 正弦位置編碼保留空間關系；4) 六層Transformer編碼器與多頭注意力機制。

增強OASIS數據集
采用7×7自適應中值濾波動態去噪，結合拉普拉斯二階微分算子強化軟組織邊界，顯著提升海馬體萎縮等細微病理特征的可見性。

數據擴增策略
對輕度/中度癡呆類分別實施3倍和25倍旋轉翻轉擴增，平衡四類樣本量（非癡呆類9600張，極輕度類8784張），有效緩解類別偏差。

改進ResNet101架構
縮減卷積塊至5層（Conv5_x保留512×2048通道），全局平均池化輸出2048維特征向量，參數量優化至648萬，較原模型降低85.4%。

ViT模型優化
將2048維特征拆分為32個64維子圖，通過線性投影生成token。采用6編碼器塊（原12塊）配16注意力頭，注意力得分計算引入√d^k縮放因子穩定訓練，MLP層擴展至256維中間層。

性能驗證
五折交叉驗證顯示，ResNet101-ViT在測試集（20%數據）達到：

• 極輕度癡呆分類靈敏度99.2%
• 特異性99.68%（健康人群識別）
• Cohen's Kappa系數0.97
  顯著優于單一CNN或ViT模型（p<0.01）。

討論與意義
該研究首次實現CNN深度特征與ViT全局建模的有機融合：1) ResNet101殘差連接有效緩解梯度消失，保障了海馬體等微小結構的特征提取質量；2) ViT的multi-head attention機制成功建模腦區功能連接異常，對早期β-淀粉樣蛋白沉積的敏感度提升37.6%；3) 計算效率優化使推理速度提升2.3倍。相比現有技術（如Khan的FME-Residual-HSCMT模型94.52%準確率），本方法將AD進展階段識別誤差率降低至1.3%，為臨床前干預提供關鍵時間窗。未來可擴展至帕金森病等多模態神經影像分析領域。