先进成像设备获取的医学图像在支持疾病诊断和检测中发挥了关键作用。然而，获取这些图像通常成本高昂且存储密集，诊断个体也耗时较长。基于人工智能(AI)的自动诊断系统提供了潜在的解决方案，以应对成本和诊断时间的限制。尤其是深度学习和可解释AI(XAI)技术为医学图像分类提供了一种可靠和稳健的方法。本文提出了一种混合模型，由两个网络ResNext101₃2x8d和Swin Transformer组成，以区分四类阿尔茨海默病：无痴呆、非常轻度痴呆、轻度痴呆和中度痴呆。将这两个网络结合应用于不平衡数据，使用5120幅MRI图像进行训练，在768幅图像上进行验证，并在512幅其他图像上进行测试。采用Grad-CAM和LIME技术结合显著性图解释模型预测，提供透明且临床可解释的决策支持。所提组合通过TensorFlow框架实现，结合超参数优化和多种数据增强方法。对所提模型的性能评估通过多项指标进行，包括误差矩阵、精确召回率(PR)、接收者操作特征(ROC)、准确率和损失曲线。实验结果表明，ResNext101₃2x8d和Swin Transformer的混合模型在测试中的准确率达到98.83%，对应的损失率为0.1019。此外，对于组合“ResNext101₃2x8d + Swin Transformer”，精确度、F1-score和召回率分别为99.39%、99.15%和98.91%，而ROC曲线下面积(AUC)为1.00，表明完美分类。所提网络与XAI技术相结合，为推进医学AI系统并在阿尔茨海默病患者筛查中协助放射科医生做出了独特贡献。
Mohsen等（Mon，）研究了这个问题。