利用多模态神经影像数据进行阿尔茨海默病分类和检测的可解释性尖峰神经网络框架

论文总结

1、利用尖峰神经网络的框架NeuCube进行阿茨海默症的检测和分类。并将结果和多种传统的机器学习代码进行比较。

2、分类任务。使用Precision等指标评估模型性能。

摘要

阿尔茨海默病（AD）是一种进行性脑部疾病，导致记忆力减退和认知能力下降，因此及时且可靠的诊断至关重要。仅依赖一种类型的数据，如脑部扫描或临床检测，往往只能提供部分疾病的视角。多模态数据分析通过结合多种医学成像技术（包括结构MRI、扩散张量成像和功能性MRI）的信息，更好地理解疾病及脑区变化。论文融合了多模态数据及其分析，采用基于尖峰神经网络（SNN）的框架NeuCube进行阿尔茨海默病的检测和分类。结构和功能数据通过T1W、T2Flair、DTI和fMRI图像收集了AD组和对照组。结果证实NeuCube是一个可靠的SNN框架，用于建模、分类和理解多模态数据，准确率达88%。结果已与多种传统机器学习方法进行比较，以验证模型的可靠性。我们基于NeuCube的多模态数据模型能够高效地在神经形态平台上实现，同时具备高性能和低功耗的实时应用需求。

引言

近年来，医学影像已成为诊断和管理各种疾病中基础且广泛使用的工具。多种技术用于生成临床相关的诊断图像，包括超声、结构或功能性磁共振成像（MRI）、计算机断层扫描（CT）、正电子发射断层扫描（PET）和数字病理学。[1],[2].在神经科学领域，多模态神经影像作为一种先进方法被采用。许多研究采用功能性磁共振成像（fMRI）、扩散张量成像（DTI）和脑电图（EEG）等多模态方法，提供了关于大脑结构和功能的互补视角，从而实现对神经机制更全面的表征[3]，[4]。然而，关于静态和功能性模态融合的研究非常有限。因此，得益于无创神经影像技术的发展，现已可以从同一受试者获得多模态脑影像，这为检查结构性脑连接性提供了有效且实用的方法[5]。此外，多模态神经影像技术还可用于提升阿尔茨海默病的早期检测和分类，这也是本研究的一部分。阿尔茨海默病（AD）是一种慢性、不可逆的神经退行性疾病，其特征是记忆和其他认知功能的逐渐衰退。它被认为是老年人口中第五大死因[6]。为了及时干预和有效治疗，早期诊断阿尔茨海默病（AD）至关重要。神经影像学和人工智能的进步使得检测与AD相关的细微脑部变化的创新方法成为可能。例如，该研究显示基于生成对抗网络（GAN）的模型，如MP-GAN，能够可视化不同疾病阶段的形态特征和病变，而另一项研究则介绍了称为流形谐和判别分析（MHDA）的基于网络的方法，用于更准确地分类健康脑部轻度认知障碍（MCI）。以及公元[7]，[8]。本研究论文提出了一种多模态方法，采用了包括加权结构性磁共振成像和T2flair（T1）在内的四种不同方式。）、DTI，以及功能性MRI用于分类和检测阿尔茨海默病，利用神经网络激增的优势。从生物学角度解释，功能成像主要反映动态生理过程，涵盖血氧水平依赖性（BOLD）成像、脑血流评估、灌注成像以及脑脊液脉搏测量等技术。相比之下，结构成像捕捉静态解剖细节[9]。因此，融合不同模态形成多模态方法，有助于进一步提升检测和分类，因为每种模态都提供了关于人脑独特且关键的信息。此外，先进的机器学习（ML）方法对于提升对人类衰老认知活动的分类和预测准确性至关重要，因为机器学习能够有效整合和解释大脑数据的时空维度。人工神经网络（ANN）是广泛使用的机器学习模型，旨在模拟人脑处理信息。人工神经网络由一个代表微小"脑细胞"协同工作的网络组成。他们从提供的数据中学习，并能根据识别的模式做出预测或决策[10]。根据2010年至2020年间进行的一项系统综述研究，CT影像因效果较低而很少使用，而从ADNI数据库获得的MRI和PET影像则被频繁使用。很少有研究涉及认知障碍的早期阶段，大多数研究聚焦于将阿尔茨海默病患者与健康对照组进行分类。还提到，利用人工神经网络预测和诊断阿尔茨海默病具有高度重要性[11]。然而，神经元的活动取决于其膜电位在大脑中随时间的变化。当电位达到某个阈值时，神经元会发射电突，传递给其他神经元。最新一代人工神经网络被称为尖峰神经网络（SNN），其灵感来自大脑神经元的这一过程。它以模拟大脑尖峰的方式模拟神经元，使其能够自然整合输入。此外，SNN神经元的连接可以通过学习调整，遵循真实神经元如何根据经验适应的原理[12]。引入的SNN架构NeuCube支持了时空大脑数据（STBD）的高效建模、学习和分类[13]。本研究展示了利用NeuCube提出的时空方法开发的尖峰神经网络模型。该模型将整合神经影像数据并融合，使其成为多模态输入，用于检测和分类阿尔茨海默病。本论文还探讨了将不同模态组合起来的挑战，因为每种模态在使用前都需要自己的预处理。

SNN 和 NEUCUBE 架构

神经网络尖峰

神经元，也称为神经细胞，是一种特殊类型的细胞，在兴奋时会传递或产生称为动作电位的电信号。它们位于神经系统中，通过一系列神经元接收并传递信号，形成神经网络。神经元通过突触向其他细胞发送信号，突触是通常使用少量称为神经递质的特殊连接。神经元突触前端的电信号促使突触间隙释放神经递质，作用于目标细胞上的受体[14]。基于此，尖峰神经网络（SNN）是一种受人工神经网络（ANN）生物启发的神经模型，其信息以模拟大脑动作电位的尖峰形式呈现。学习过程同样受到人脑原理的启发[15]。如图1所示，通过突触权重随时间的变化，神经网络通过尖峰进行学习，使网络能够通过这些动态连接捕捉空间和时间信息。

图1。神经元的表征及其随时间的学习过程[14]。

尖峰时间依赖可塑性（STDP）是一种突触可塑性，是一种基于赫布学习原理的无监督学习模型，其中突触前和突触后突起的时机决定突触强度的变化。STDP通过允许突触相互竞争，强化持续或迅速引发突触后活动的输入，同时削弱效率较低的连接。通过平衡突触强度，这一机制使神经元能够保持不规则的放电模式，同时对尖峰时机更加敏感[16]。许多不同的架构和模型都基于同一概念开发，NeuCube [15] 就是其中之一

NeuCube 框架

NeuCube 是一种受大脑启发的尖峰神经网络架构，最初由 Nikola Kasabov [17]，[13] 开发，随后在 2013 至 2015 年间由研究人员进一步完善 [18]，[19]。图2展示了NeuCube的架构，由三个主要模块和两个可选模块组成。以下是每个模块的详细信息[13]：

1.数据编码模块：在该模块中，数据被加载到框架中，由于SNN是一个基于尖峰的学习系统，数据通过多种可用的编码技术编码成尖峰。

储层模块：也称为SNNcube，将储层表示为三维SNN。该模型灵感来源于空间脑模型，基于STDP。
输出模块：输出基于分类或回归，视所用方式而定。
GRN：基因调控网络是可选模块5。参数优化：该可选模块提供有关参数和范围的宝贵信息。

此外，NeuCube 架构既支持无监督学习，也支持监督学习，因为 NeuCube 的训练分为两个不同阶段，如下所述：

无监督训练：如前所述，在无监督学习中，时空数据会随时间输入 SNNcube 的相关模块，以调整初始连接权重。通过这一过程，SNNcube学会根据输入刺激激活相应的尖峰神经元组。这种现象被称为多时化[20]。
监督训练与分类：监督训练在输出模块中应用于与非监督训练时相同的尖峰神经元数据，通过训练后的SNN进行。输出神经元随后被训练，将SNNcube生成的时空尖峰模式分类为预设数量的类别或输出尖峰序列。根据标准配置，NeuCube中的所有神经元都连接到每个输出神经元。此外，强化学习还可以通过从输出神经元与NeuCube中的神经元建立反馈连接来实现。多种SNN方法可用于从SNNcube学习和分类尖峰模式，包括deSNN[21]及其他可用的学习模型。

图2。框图展示了 NeuCube 及其模块（编码模块、储存模块和输出模块，以及基因模块）[17]。

NeuCube 提供 MATLAB 和 Python 两个版本。Python 版本的实现可从2013年发表的研究中回顾[22]，当前研究也采用相同的方法。

所提出的方法

本节介绍本文提出方法论的各个组成部分。从数据集开始，预处理数据，转换成可接受的NeuCube格式，编码，并将结构MRI、DTI和功能性MRI融合，使其成为一种多模态方法。进一步扩展用于阿尔茨海默病检测和分类的深度学习模型

数据集与预处理

如前所述，本研究采用了四种不同的成像技术，包括T1加权MRI、T2-FLAIR MRI、DTI和功能性MRI。本研究使用阿尔茨海默病神经影像倡议（ADNI）[23]数据库，约64,000张DICOM图像从数据库下载，其中包括50名阿尔茨海默病（AD）患者和50名认知正常（CN）。DICOM 映像转换为 NIfTI 格式以提升处理效率。每个受试者有四个NIfTI文件（每个模态一个），总共400个文件，对应100个受试者。为实现平衡分类，同一年龄组的参与者被选中为AD和CN，平均年龄为76±8岁。展望未来，一项关于神经影像的研究表明，预处理步骤和软件的选择可能会影响实验结果[24]。然而，提升图片的质量和可用性同样至关重要。因此，每种模态在转换前都必须经过最低预处理流程。图3展示了对每种模态应用的预处理步骤，显示了脑前和术后脑图像。用于预处理的 FSL、HD-BET 和 ANTs 库 [25]、[26]、[27]。N4BiasFieldCorrection [25] 用于校正结构性和功能性 MRI 的低频强度偏置场，偏倚校正后，HD-BET [26] 被应用于自动颅骨条纹，以去除非脑结构中的脑组织，认为其对准确注册和后续分析至关重要。此外，采用fMRI时间序列的运动校正以对齐体积并最小化头部运动引起的伪影。通过修正涡流引起的畸变和主体运动，扩散张量图像得到了改进[28]，使用DWIDenoise（MRtrix3）[29]去除随机噪声，同时保留结构信息。所有图像均通过FNIRT和FLIRT（FSL）注册到标准MNI-152 2毫米[30]，因为它们主要用于融合所有模态。

图3。使用从ADNI数据库下载的原始图像的预处理步骤流程图。

数据转换与编码

NeuCube框架适用于特定格式，要充分利用它，数据集需要转换为NeuCube可接受的格式[31]。每个受试者将代表该格式的样本;因此，每个受试者的四个文件必须合并为一个文件，包含同步的时间序列信号、特征和空间脑区映射（可选）。本研究将自动解剖标记（AAL）图谱作为分区方案，将大脑划分为解剖学上定义的关注区域（ROI）。最初提取了116个特征，随后根据基于数据驱动的特征选择方法，利用互信息[32]细分为前48个特征，如（1）所示，以增强疾病特异性敏感性。互信息计算两个随机变量之间共享的信息量。在我们的实现背景下，设X代表ROI特征，Y代表类别标签（AD或CN）。两个变量之间的互信息定义为：

虽然 NeuCube 需要时间序列数据作为输入，但结构模态的静态特征被转换为与功能模态时间点匹配的尖峰序列，使用基于速率的泊松过程编码 [33]（通常称为泊松编码（2））共计 48×197 个时间点。需要注意的是，在将静态数据转换为峰值之前，应将数据重新调整到0-1范围，以最大限度减少数值的误解。

之后，每个受试者的数据被保存为CSV格式，并根据需要提供对应的样本格式名称、特征名称列表（可选）、大脑映射以及坐标，以便直接在NeuCube中进行模型学习。此外，算法1描述了NeuCube-Py中可用的Delta（）编码技术[22]。我们利用该技术将fMRI数据转换为尖峰列车，然后传递最终数据用于训练和测试模型。编码技术检测突变并将输入序列转换为尖峰。每一步，将当前值与前一值比较以确定差异，如果差值大于阈值，则会产生尖峰;如果没有，就不会有峰值。

深度学习模型

如前所述，研究采用了深度学习模型，利用其自动从复杂数据集中提取特征的能力。在所提出的方法论中，我们设计了一个模型，使用NeuCube Python版本，用于训练和测试包含无监督STDP学习和动态演化尖峰神经网络（deSNN）[34]和逻辑回归[35]的监督学习数据集。图4总结了应用于本研究的建模结构。1. 如前所述的转换与编码模块。2. 数据集被划分为训练和测试两个部分，用于模型的训练、验证和测试。测试数据集应完全不可见于模型，以便准确度的准确性。3. 尖峰训练成为无监督模型的输入，用于使用STDP学习进行训练。必须设置多个参数才能获得最佳效果。随着NeuCube的SNN学会激活同一组尖峰神经元以响应输入刺激，NeuCube架构成为学习连续时空数据的宝贵工具。因此，它提供了一种更生物学真实的联想记忆形式[13]。4. 用于无监督学习的时空大脑数据现在再次被用于训练，利用监督学习。动态进化SNN（deSNN）用于根据预定义的分类从大脑数据中提取特征。此外，逻辑回归也用于目标变量为类别的分类任务。其目标是通过估计某一实例属于特定类的可能性，学习从输入特征到预定义目标类的映射[35]。5. NeuCube需要优化多个参数，以实现最佳分类精度。同样，第三和第四步需要在参数变化下反复执行。6. 分类结果通过5重交叉验证验证，使用42个种子。7. 在此过程中生成不同的输出文件，以可视化并更好地理解深度学习模型生成的数据和大脑活动。这种知识提取是使用 NeuCube 开发深度学习模型的另一个优势。

除了使用deSNN进行特征提取外，NeuCube Python [22]版本中的尖峰计数采样器也用于特征提取，因此用于数据的比较可视化，后文将介绍。SpikeCount方法会采集峰值活动数据。该操作产生一个状态向量，其中每个元素对应样品的整体尖峰计数，将时间上的尖峰活动真实地简化为一个高效的表示，可用于进一步分析或分类

图4。基于 NeuCube 的系统化架构表示，包括编码、学习、训练、分类、验证和可视化模块。改编自[19]。

实验与结果

从阿尔茨海默病神经影像倡议（ADNI）[23]获得的数据集被分为两种疾病检测分类，AD代表阿尔茨海默病受试者数据集，CN则是认知正常的数据集。两组的属性相似，平均年龄为76±6岁（以避免偏见），每组样本量为50人，共计100名受试者，以及四种一致的模组。此外，我们从男女中选取参与者，AD组男女比例分别为17：33，CN组为24：26。该100个受试者数据集包含197个时间点和192个输入特征（每个模态48个特征，共192个特征）。地面真实类别标签根据所需格式提供在单独的目标标签文件中。我们用储存层计算方法训练了一个尖峰神经网络。该储存库包含1000个尖峰神经元，这些神经元通过12,405个回旋突触相互连接，形成了一个稀疏连接的网络。每个样本的192个输入特征通过9,564个稀疏输入连接映射到储存器，这意味着每个特征只连接到一小部分神经元，而非整个网络。每个神经元都遵循泄漏整合与发射（LIF）尖峰模型。[33]，以及通过强的兴奋性-抑制性平衡（40个兴奋性突触对12,365个抑制性突触）维持了储液库的稳定性[36]。当网络显示197个时间点序列时，这些特征被转化为尖峰列，启动了储存层中的神经元。通过循环循环传播，这些激活使水库能够存储来自近期和历史输入的数据。因此，数据中发现的时空模式被水库捕捉。监督分类任务随后由读取分类器根据产生的油藏状态执行。对于模态评估，数据集被划分为80：20的列车-测试分配比例。同样，这是一个令人满意的分类通过在 NeuCube 中优化不同参数，可以实现结果。表1展示了本次实验所用参数的汇总设置。

为了验证结果并验证模型的临床应用可行性，我们对42个随机种子进行了5倍交叉验证。交叉验证前后分类结果被汇总成混淆矩阵，显示真阳性（TP）和真阴性（TN）的计数，并比较假阳性和假阴性（FN）。基于这些信息，我们计算了以下评估指标：

如表2所示，我们在进行交叉验证前，准确性、精度、回忆率和F1得分分别为0.90、0.92、0.90和0.90。此外，交叉验证结果分别为准确性、敏感性、特异性和0.913的0.88、0.84、0.92和0.913。

此外，我们还将NeuCube结果与其他传统机器学习方法进行了比较，如多重线性回归（MLR）[37]、多层感知器（MLP）[38]和支持向量机（SVM）[39]，以及演化分类函数（ECF）[40]，最终采用了演化聚类分类法（Evolving Clustering Method for Classification，ECMC）[41]。上述所有方法均采用了相同的交叉验证技术，我们用以验证NeuCube模型的结果。表3表示与传统机器学习方法比较后取得的结果。

与传统分类方法的比较得出的结论是，Neucube显著优于其整体表现，展现出更好且更高的准确率。ECF和ECMC表现优于其他所有模型，且结果最接近NeuCube，而MLR和MLP在多模态分类方面表现最差。尽管数据集在实验前已归一化，但目标仍是实现最高准确率。此外，为了完成所有这些传统分类，使用了NeuCom [40]软件。NeuCom 是一个神经计算决策支持环境，在线免费开放，由 Nikola Kasabov [40] 开发。此外，我们还对本研究中使用的四种单一模态T1W、T2Flair、DTI和fMRI进行了比较分析，使用我们提出的模型。该实验的目的是找出最佳的Ad和CN分类方式。本次体验执行的步骤相同，唯一区别是采用单模态方法（每种模态的100个样本作为模型输入）。结果通过对每个数据集使用单周期训练模型，同时应用无监督学习和监督学习。在所有治疗方式中，fMRI表现最佳，准确率为85%±2，其次是DTI，准确率为80%±2。T1W和T2Flair表现略低于其他模态，但结果依然稳定，分别±2的准确率为78%和±2的79%。为保证可靠性，所有结果均采用5重交叉验证，涵盖42个随机种子，确认模型性能稳定性。然而，我们不能说fMRI是最适合阿尔茨海默病检测和分类的治疗方式，因为每种方式都不同，且提供多样有用信息，且要为每种方法获得最佳结果，需要不同的参数设置。在这些实验中，我们使用了与多模态方法相同的参数来保持一致性。在这方面，仍有更多工作可以探索最适合阿尔茨海默病检测和分类的影像技术。

讨论与数据理解

NeuCube已经因相较于其他SNN框架提供多项优势而获得更多认可。其一个关键优势，在多项先前研究中都被强调，[42]，[43]，[44]，[45]，是能够在无需大量预处理的情况下处理原始数据集，尤其是处理时间序列数据。相比之下，我们的研究涉及结构和功能数据集。如第二部分所述，我们最初采用了预处理来准备数据。为了分析大量预处理的必要性，我们随后使用原始数据重复了实验，旨在评估是否可以跳过预处理以节省时间和计算资源。准确率基本保持稳定，但在准确性、灵敏度、特异性和精度方面相比预处理数据下降了约10%至12%，分别为0.78、0.84、0.72和0.75。然而，即使原始时间序列数据以0.85的精度传递给模型，fMRI时间序列的结果依然保持完整。结果显示了NeuCube在处理原始输入方面的鲁棒性，并表明即使是结构数据集，也只需进行最小的预处理，如偏置校正、非脑组织切除和注册到公共空间，仍能产生可靠且改进的结果。此外，该实验为基于NeuCube的模型在实际场景中部署功能数据集开辟了新可能，例如将模型直接集成成像设备，从而支持实时临床应用。除了前面提到的优点外，基于NeuCube的模型还具有其他几个独特优势，比如高效学习，因为NeuCube通常需要一次迭代即可实现有效学习。相比之下，其他传统模型需要多个周期，如 SVM。如前所述，NeuCube模型是一个尖峰神经网络（SNN）框架，灵感来源于人脑实际工作原理的关键原理。这使其成为在线学习和识别时空脑数据（STBD）的强大工具。其最显著的优势之一是，经过训练后，可以直观地看到神经网络连接的激增，同时显示其连接性和激增活动。这种可视化方式使得追踪神经过程随时间的发展或衰退成为可能，同时也揭示了新的感知和知识。利用这一知识流，图5展示了deSNN特征激活平均值与SpikeCount特征激活率的比较;这两个文件都是在多模态数据的STDP训练后保存的。它显示了每个神经元在所有样本中的平均激活值，并突出哪些大脑特征在区分疾病方面更为活跃。

图5表示所有样本中特征的激活水平。这些数据是在多模态数据实验中，从状态向量deSNN和STDP后的状态向量SpikeCount中推导出来的。在比较分析中，两种技术提供了大致相似的可视化效果，仅存在细微差别。

为了更好地理解两组脑活动的不同，我们将数据集中的峰值活动与阿尔茨海默病（AD）和认知正常（CN）样本进行了比较。Spike数据取自实验期间从NeuCube生成的SpikeEmitted.npy文件中，并利用转换为NeuCube模型输入时保存的feature_names.txt按脑区分组。我们对每个区域随时间的峰值进行了加总，并比较了AD和CN的总量。结果如图6的条形图所示，突出显示了AD中活跃度较高的20个区域和CN中活跃度较高的20个区域。这些差异指向大脑区域，这些区域可能在区分健康衰老与阿尔茨海默病方面起关键作用，为识别疾病相关变化提供了潜在线索。所有用于数据理解和可视化的生成文件均可在补充数据中提供。可根据要求提供实验数据集。

图6显示了AD组和CN组中激活度最高的20个特征。图像是利用NeuCube输出的尖峰活动绘制的。

此外，为了理解NeuCube模型如何预测阿尔茨海默病，我们直接在三维大脑上可视化了前六大特征。每个特征都被映射到其特定的MNI坐标，并根据其解剖区域进行标记。每个特征的平均激活率，源自NeuCube deSNN[21]特征输出，决定哪些特征被突出显示。MNI152模板生成了逼真的三维脑表面，因为我们所有数据集均注册在MNI152 2毫米空间内，每个顶部特征在其位置都以彩色标记示范。如图7所示，特征名称和激活值显示在对应区域旁边，便于直观理解和解读。这种可视化很重要，因为它突出了模型认为与阿尔茨海默病最相关的大脑区域。如前所述，阿尔茨海默病（AD）是一种神经退行性疾病，会逐渐削弱记忆、思维和行为能力。海马体及其他对记忆至关重要的内侧颞叶区域。据报道，形成和恢复在疾病早期阶段受影响最深[46]。随着病情进展，萎缩扩散至颞叶和顶叶，影响语言、空间感知和执行功能[47]。这说明这些恶化模式是阿尔茨海默病的特征，是理解疾病进展和诊断的重要生物标志物。这张图片展示了阿尔茨海默病（AD）如何影响我们所选样本中支持记忆、思维和日常功能的多个大脑区域。强调的六个区域------辅助运动区、中心后回、上顶叶、海马体、嗅觉皮层和枕中回------共同表明阿尔茨海默症不仅限于记忆丧失。海马体被认为是阿尔茨海默病最早受影响的区域之一，该病可能表现出明显的萎缩、功能连接中断以及新神经元生成减少。这些都与记忆衰退有关[48]、[49]、[50]。同样，嗅觉皮层在阿尔茨海默病早期也受到影响。该区域的变化可能在认知症状出现之前发生，结构、代谢和病理性的变化可见于内嗅皮层、梨状皮层和初级嗅觉皮层等区域，通常与tau和淀粉样蛋白病理相关。Tau和淀粉样蛋白是阿尔茨海默病中发现的异常蛋白，会导致脑细胞退变[51]、[52]。此外，顶叶和枕叶皮层在阿尔茨海默病中经常受到影响，导致视觉空间处理和感觉信息整合困难。顶叶功能障碍是该病的著名特征[53]。阿尔茨海默病还可能影响感觉运动系统和辅助运动区域，正如本研究所描述的那样。多位研究人员表明，感觉运动皮层在阿默默病早期阶段异常过度活跃，甚至在明显运动症状出现之前。这些早期变化，加上细微的感觉和运动障碍，被认为反映了与阿尔茨海默病相关的潜在脑部变化和神经退行性疾病，甚至可能作为早期预警信号或风险因素。

总结

阿尔茨海默病是一种神经系统疾病，表现为记忆力、思维和行为的衰退。虽然无法根治，但早期发现在减缓疾病进展并改善生活质量方面起着关键作用。结合事实，本研究旨在探讨包括T1加权、T2-FLAIR、DTI和fMRI等多模态数据如何融合，并应用NeuCube模型来分类和分析与阿尔茨海默病相关的数据。NeuCube 以处理时空数据著称，能够将结构性、扩散型和功能性大脑信息整合到一个计算框架中。这种方法使其在建模和分类数据方面尤为强大，同时还能生成可视化和解释所学联系的知识输出。这种可解读的知识对临床应用至关重要，因为它帮助将复杂的机器学习结果转化为有意义的信息，支持医疗决策。对于在神经影像学中使用尖峰神经网络（SNN），未来研究需要解决关键挑战，例如降低计算复杂度，以及如下所述的更多未来方向：

扩展实验样本数量，并对健康轻度认知障碍（MCI）和阿尔茨海默病患者进行分类，以观察脑部变化和分析退化标志。
开展研究以确定早期发现和分类AD最有效的方法或方法组合。

3.开发基于NeuCube的个性化框架，用于阿尔茨海默病早期检测，并将其与包括患者病史在内的AI支持系统集成，使其成为可行的临床应用。该计划将根据临床医生的需求制定，并配合为AD患者及其家属提供健康支持。

开发改进的模型预测可视化和解释技术，使临床医生能够自信地解读结果并做出明智决策。