研究方法

　　本研究採用臺灣老化與精神疾病隊列（Taiwan Aging and Mental Illness Cohort, TAMI）的腦部 MRI 影像資料集，該資料集由臺北榮總與陽明交通大學合作建置，主要收錄高齡精神疾病患者與正常對照組的結構性磁振造影（sMRI）數據。資料格式以 .mgz（FreeSurfer 輸出格式）為主，包含 3D 腦部影像，並搭配 Excel 表格記錄詳細標註資訊，如年齡、性別、臨床診斷（例如思覺失調症），以及各腦區的體積、灰質/白質強度等量化數據。

使用兩種影像，分別是

涵蓋完整頭部的影像 001.mgz ，以及去除顱骨後的大腦影像 brain.mgz

3D EfficientNet

3D EfficientNet 使用複合縮放方法來擴展網路維度，以固定比例來均勻縮放寬度、深度和解析度。可用於處理有體積和時間維度的資料，具有較高的效能和準確度。圖四為 3D EfficientNet 架構圖。3D convolution layer（3D 卷積層）和 3D pooling layer（3D 池化層）降低特徵圖的空間尺度，並提取 MRI 影像中的特徵，接著由五個 3D MBConv 區塊處理特徵圖，最後再連接卷積層和全連接層。

CBAM

　　通道空間注意力機制（Convolutional Block Attention Module, CBAM）用於提升模型對於影像特徵的識別能力，是由通道注意力模組（Channel Attention Module, CAM）和空間注意力模組（Spatial Attention Module, SAM）所組成。道通注意力模組透過 Max Pooling 和 Average Pooling 得到兩個不同空間的表徵向量，再使用 MLP 進行降維，最後將兩個特徵向量相加並經過 Sigmoid 得到最後的通道域注意力向量。空間注意力模組則是透過 Max Pooling 和 Average Pooling 得到兩個不同的空間的特徵圖，將兩個疊加在一起並經過 Conv Layer 和 sigmoid 激發函數，最後得到空間注意力特徵圖。

Grad-CAM

　　Grad-CAM（Gradient-weighted Class Activation Mapping）是一種深度學習模型的可解釋性方法，主要透過分析輸出類別相對於卷積層特徵圖的梯度，計算各特徵圖的重要程度，進而產生類別權重的活化熱力圖。