阿尔兹海默症对中老年人和社会的危害较大,但是目前并没有针对该疾病的特效治疗药物。如果能够尽可能早地检测出阿尔兹海默症的病情发展趋势,就能够及早地对患者采取合适的医疗措施,延缓疾病的恶化进程。根据受试者在恶化为AD前病情的发展趋势将受试者分为平稳型与进展型,平稳型受试者虽然处于轻度认知障碍（MCI）阶段,但却能保持较长时间不继续恶化,而进展型受试者则会迅速转化为AD。因此本文的研究重点在于区分这两种类型的受试者,并进一步预测受试者的病变趋势及病程。本文的主要工作包括:1)针对稳定型和进展型受试者的检出,提出了一种基于LightGBM改进的梯度提升树算法模型——Trusted-LGBM。首先通过特征变换对受试者原始纵向数据预处理实现将回归问题转化为分类问题。接着添加属性变化率作为表征病情变化的特征,从而实现在病情早期对阿尔兹海默症的病变趋势进行提示。为了充分利用含有空值的样本,模型中还引入了样本可信度（Sample Trusted Level）这一概念,使得模型对于空值的容忍度得到进一步提升。2)针对阿尔兹海默症早期诊断中存在的输入属性较多、预测结果粗粒度的问题,本文通过研究阿尔兹海默症患者的病程与各项属性值及其变化率之间的相关性,提出了基于递进式属性输入的阿尔兹海默症病程预测模型,通过多阶段的属性输入,逐步提高模型诊断的准确度,并且能够对进展型患者作进一步的分析。3)为了解决阿尔兹海默症辅助诊断模型的量表数据采集问题,本文设计并实现了阿尔兹海默症自测系统,该系统通过微信小程序呈现给用户,用户可以随时随地完成MoCA测试并将结果上传到服务端,该系统为AI辅助诊断模型中认知评估量表数据的采集提供了一种更加简便的方式。