阿尔茨海默症(AD)是一种起病隐匿、进行性发展的神经系统退行性疾病。患者多在老年发病,认知功能的退化速度远高于正常老化进程。阿尔茨海默症为患者及家人带来了极大的痛苦和经济压力,也为整个社会带来了极大的负担。对于阿尔茨海默症,临床上往往依靠一系列量表评估诊断,不仅医生的工作量剧增,且诊断的结果具有主观性。由于阿尔茨海默症病程较长,当临床上出现症状时往往已经发展到疾病晚期,不可逆转,只能靠药物延缓进程。因此,对于阿尔茨海默症,通过影像手段找到早期诊断标志物成为研究的重中之重。深度学习技术的发展为智能医疗的落地带来了希望。本研究旨在利用最新的深度学习技术,通过对ADNI数据库中大量样本数据的分析实现对阿尔茨海默症分类和轻度认知障碍转化预测的自动识别。本研究分别基于普通的卷积神经网络(CNN)、对网络结构做出较大改进的密集连接网络(Dense Net)以及充分考虑到阿尔茨海默症疾病背景知识、对网络输入做出改进的多示例学习网络(MILNet),创新性地将三种网络应用在阿尔茨海默症分类预测研究中,对AD、轻度认知障碍(MCI)、正常对照(NC)分别进行两两分类以及三分类,并对MCI患者进行亚型(进展型p MCI、稳定型s MCI)分类,预测他们是否会进一步发展为AD。在具体实验设计中,本研究以ADNI1标准数据集中结构磁共振(s MRI)数据为主,将数据分为训练集、验证集和测试集进行实验。对模型的分类结果,从正确率、精确率、召回率、敏感度、特异度、F1分数、ROC曲线下面积(AUC)等方面进行评估。为了提升分类性能,本研究还提出三种方案,在网络输入中增添年龄、性别、基因等其他信息。此外,本研究还基于ADNIGO、ADNI2数据集,创新性地提出一种数据扩增方法,把每个被试多年的随访数据作为独立被试加入训练集,并在AD/NC分类模型中验证其有效性。结果证实,其训练过程收敛更快,波动更小,测试集分类正确率可提升2个百分点。本研究还回顾性地整理南京市鼓楼医院88例临床数据作为额外的测试集,评估分类模型的泛化性能。经过对比,本研究提出的Dense Net模型取得了最好的泛化性能,对AD/NC分类的准确率可达0.91,对MCI/NC分类准确率为0.76,对AD/MCI分类准确率为0.73,对AD/MCI/NC三分类准确率为0.58,对p MCI/s MCI分类准确率为0.66,对AD/p MCI/s MCI/NC四分类准确率为0.45。在基于多示例学习网络的研究中,本研究还发现,左侧舌回对AD/NC分类问题最敏感;右侧颞上回以及双侧海马对MCI/NC分类问题最敏感;右侧额叶对AD/MCI分类问题最敏感;右侧颞叶对p MCI/s MCI分类问题最敏感。这一结果可能暗示阿尔茨海默症不同疾病进展阶段脑损伤特征为:早期阶段主要在右侧颞叶以及双侧海马区域发生大脑萎缩;在病程后期,左侧舌回以及右侧额叶的萎缩程度较高。