本研究探讨阿尔茨海默病的灰质和功能网络变化，采用深度学习分类框架，并结合Cycle GAN生成缺失数据。实验结果显示，模型在CN/AD分类中的准确率为0.926，而MCI预测的准确率为0.711。分析揭示与阿尔茨海默病相关的脑区和生物过程的SNP突变，为疾病检测提供了新见解。

阿尔茨海默病（AD）是最常见的痴呆形式之一。研究使用MRI探究了疾病引起的灰质和功能网络连接变化，并引入基因SNP作为第三个通道。通过深度学习分类框架，使用Cycle GAN生成模块填补缺失数据。实验结果表明，模型在CN/AD分类中达到SOA，平均准确率为0.926±0.02。对于MCI任务，使用预训练模型进行CN/AD预测的平均准确率为0.711±0.01。解释性分析揭示了与AD相关的重要灰质调节和SNP突变。综合深度学习方法在AD检测和MCI预测方面显示出潜力。