长短期记忆网络 (LSTM)

Parent: ai_keywords

长短期记忆网络 (LSTM)

核心定义

长短期记忆网络（Long Short-Term Memory, LSTM）是一种特殊的循环神经网络（RNN）架构，由Hochreiter & Schmidhuber于1997年提出。它通过引入显式的记忆单元与门控机制，有效解决了传统RNN在长序列数据上的梯度消失/爆炸问题，从而具备捕获长期时序依赖的能力。在医学神经科学领域，LSTM已成为连续神经生理信号（如EEG、fNIRS）与疾病进展时间序列建模的核心工具之一。

关键技术点

1. 遗忘门：决定上一时刻的单元状态中哪些信息需要丢弃，由sigmoid函数将当前输入与隐藏状态映射至[0,1]。
2. 输入门：控制新信息写入单元状态的程度，由sigmoid层（决定更新值）与tanh层（生成候选值）协同完成。
3. 单元状态更新：将遗忘门结果与上一状态相乘，加上输入门调节后的候选值，实现长期记忆的线性自循环。
4. 输出门：基于更新后的单元状态，通过tanh压缩后与sigmoid门控结果相乘，决定最终隐藏输出（短期记忆）。
5. 梯度流特征：单元状态的线性自循环使梯度在反向传播时几乎无衰减地跨越多步，从而允许网络有效学习数百步前的依赖关系。

医学/神经科学应用场景

阿尔茨海默病（AD）早期认知衰退预测：首都医科大学神经病学系联合生物医学工程团队，利用LSTM对纵向随访的蒙特利尔认知评估（MoCA）量表评分与静息态fMRI功能连接序列进行联合建模。LSTM单元动态整合患者三年内的逐月认知分数与频率带特异性脑网络指标（如默认模式网络内的ALFF变化），通过遗忘-输入门自适应地甄别出具有预测价值的早期异常波动（如情景记忆下降前6-12个月的稳定状态转变）。该模型在AD临床前期（SCD阶段）的预测AUC达0.89，显著优于传统逻辑回归，为临床干预窗口的确定提供了可解释的时序特征权重。