卷积神经网络 (CNN)
Parent: ai_keywords
卷积神经网络 (CNN)
【核心定义】
卷积神经网络 (Convolutional Neural Network, CNN) 是一类专门处理具有类似网格结构数据（如图像像素或时间序列）的深度学习模型。其核心在于利用卷积运算替代传统全连接层，通过局部连接、权值共享和池化操作，高效地提取数据的空间层次特征。在神经科学领域，CNN 是解析医学影像（如脑MRI、CT）及脑电图（EEG）信号的核心工具。
【关键技术点】
- 局部感受野与权值共享：每个卷积核仅关注输入数据的局部区域，显著减少参数量。这一特性模拟了视觉皮层中神经元对局部刺激的响应机制。
- 卷积与池化：卷积层通过滑动窗口提取特征（如边缘、纹理）；池化层（如最大池化）则进行降采样，保留关键信息的同时增强模型对局部形变的鲁棒性。
- 层次化特征学习：浅层网络提取低级特征（如线条、曲线），深层网络组合这些特征识别高级语义（如脑区结构或病灶形态），这与大脑皮层的分层处理模式高度同构。
- 端到端学习：CNN 无需手动设计特征，直接从原始影像中学习最优特征表示，这对于难以人工标注的神经病理标志物尤为重要。
【医学/神经科学应用场景】
场景：阿尔茨海默病（AD）的早期智能诊断
首都医科大学神经病学团队在临床研究中，将3D-CNN应用于大规模的结构MRI (sMRI) 数据集，特别是T1加权序列。具体流程如下：
- 数据预处理：对全脑MRI进行空间标准化、灰质分割，并输入一个8层3D-CNN。
- 特征提取：模型自动聚焦于海马体、内嗅皮层及楔前叶等记忆相关脑区，学习反映神经元丢失和突触损伤的微观结构变化。
- 分类与预测：模型输出 “正常认知（NC）”、“轻度认知障碍（MCI）” 和 “AD” 的三分类概率。关键突破在于，该模型能在患者尚未出现明显临床症状的MCI转化为AD阶段，达到超过75% 的预测准确率。
- 可解释性增强：团队结合梯度加权类激活映射（Grad-CAM） 技术，生成显著性热力图，直观展示模型决策关注的脑区（如海马体积萎缩程度），这一可视化结果与神经病理学公认的Braak分期具有高度一致性，为临床提供一种可靠、客观的生物标记物辅助诊断手段。
