阿爾茨海默病(AD)作為進行性神經退行性疾病，全球患者已超5500萬，預計205年將達1.39億。當前臨床面臨早期診斷困難、鑒別診斷復雜等挑戰，傳統神經心理學評估結合MRI等影像學檢查存在主觀性強、效率低下等問題。盡管機器學習方法如支持向量機(SVM)在AD分類中取得進展，但現有系統在準確率(普遍低于95%)和疾病分期能力上仍有提升空間。

為解決這一難題，研究人員開發了名為HY-Deepnet的創新框架。該研究通過整合多模態深度遷移學習模型與新型COATI優化算法，構建了包含檢測和診斷雙階段的智能系統。研究成果發表于《Engineering Science and Technology, an International Journal》，證實該方法在AD識別和分期中的卓越性能。

關鍵技術包括：(1)采用AlexNet/GoogLeNet/VGGNet等5種預訓練模型進行特征提��；(2)基于COATI優化算法實現多模型特征融合；(3)使用SVM分類器進行二元(檢測)和多元(診斷)分類；(4)在DUBEY(5121例)和ADNI(16200例)兩個MRI數據集驗證；(5)應用SMOTE技術解決數據不平衡問題。

3.1 圖像預處理
研究采用灰度轉換、尺寸標準化和數據增強技術，通過隨機旋轉/翻轉增加樣本多樣性，有效緩解深度神經網絡(DNN)訓練中的過擬合問題。實驗表明，預處理使模型在后續特征提取階段的穩定性提升23%。

3.2 特征提取模塊
對比5種預訓練模型發現，AlexNet在單模型檢測中表現最優(71.98%準確率)，而三模型組合(AlexNet+GoogLeNet+VGGNet)將準確率提升至77.03%。特征可視化顯示，VGGNet的4096維fc6層特征對腦區萎縮模式最具鑒別力。

3.3 特征融合階段
COATI優化通過模擬南美浣熊捕食行為，動態計算各模型貢獻權重(w₁/w₂/w₃)。在二模型組合中，AlexNet+VGGNet以76.82%準確率成為最優組合，其融合公式FV_2n=∑^Γ_α=1∑^Γ_β=1([w₁⊕FV_α,β]+[w₂⊕FV_α,β])顯著優于單模型性能。

4.3 診斷階段性能
采用SMOTE平衡數據后，立方SVM在5折驗證中達到98.8%準確率(AUC=1.0)�；煜�矩陣顯示，對"中度AD"的識別特異性達99.1%，顯著優于傳統方法。COATI優化使F1-score提升0.14，驗證了其在特征選擇中的優勢。

4.6 優化算法對比
與粒子群優化(PSO)和灰狼優化(GWO)相比，COATI在ADNI數據集上使準確率提升2.8%(達88.1%)，其狩獵-逃脫雙階段機制更適應高維特征空間搜索。Tukey HSD檢驗證實，該算法在組間差異識別上顯著優于對照(p=0.0008)。

這項研究開創性地將動物行為啟發算法引入神經影像分析，其核心價值體現在：(1)首次實現AD多階段(輕度/中度/極輕度)的端到端自動診斷；(2)驗證了深度遷移特征融合在醫學影像中的普適性；(3)COATI優化為多模態數據整合提供新思路。臨床轉化方面，系統可整合至PACS系統，輔助放射科醫生將診斷效率提升40%。未來工作可探索三維卷積網絡與動態功能MRI的結合，進一步提升對前驅期輕度認知障礙(MCI)的預測能力。