近日，我校现代健康产业学院王兴教授团队联合校内外研究力量，在国际权威期刊《IEEE Access》发表题为A Cross-Modal Adversarial Network for Alzheimer's Disease Diagnosis Using Unpaired MRI and PET Imaging的研究论文（DOI:10.1109/ACCESS.2026.3664454）。该期刊为SCI收录期刊，2024年影响因子3.6，JCR与中科院升级版大类均为4区，在计算机科学、电子电气及电信学领域具有广泛影响力。
阿尔茨海默病（AD）的精准早期诊断对及时干预至关重要，但临床中MRI与PET影像常存在模态缺失、协议异构、数据不配对等问题，现有多模态方法普遍依赖严格配对数据，难以适配真实诊疗场景。针对这一痛点，王兴教授团队提出跨模态对抗网络CMA‑Net，可在训练阶段使用非配对 MRI 与 PET 影像完成学习，推理阶段支持单模态灵活输入，突破了多模态融合对影像配对的严苛限制。
团队构建多模态自适应卷积网络MA‑CNN作为主干，采用双分支并行结构与模态专用 MM‑Conv 模块，结合多尺度注意力机制，在保留MRI结构特征与PET代谢特征的同时，高效提取判别性病理信息；通过风格与领域解耦机制、梯度反转层与多损失联合优化，实现跨模态特征对齐与模态无关表示学习。在OASIS、XF PET等公开非配对AD数据集上的实验显示，该方法 MRI 分类准确率达96.27±0.27%，PET 准确率达94.92±0.19%，多项指标优于现有主流模型，具备更强的临床实用性与泛化能力。
我校持续推进医工交叉与智慧健康领域科研创新，支持科研团队聚焦临床关键问题开展攻关。未来，团队将进一步优化模型轻量化与可解释性，面向多中心、异构数据提升算法稳健性，助力神经影像智能诊断技术落地应用，服务老年医学与公共卫生健康事业高质量发展。