Alzheimer’s disease (AD) is a progressive neurodegenerative disorder for which early diagnosis remains clinically challenging due to the gradual and heterogeneous nature of structural brain changes. Deep learning methods have demonstrated strong potential for automated classification using structural magnetic resonance imaging (MRI), yet many existing approaches rely exclusively on imaging data while overlooking important demographic context, such as age, the strongest non-modifiable risk factor for AD.

This thesis investigates the effect of incorporating age as a conditioning variable in deep learning models for AD classification. Using data from the ADNI and OASIS3 datasets,subject-level stratified cross-validation was employed to ensure robust and leakage-free evaluation. Multiple architectures and conditioning strategies were evaluated in both binary and multi-class disease classification settings. In addition, ordinal regression was implemented to model disease progression as a continuous process rather than a purely categorical task.

The results demonstrated that latent representations extracted using a Variational Autoencoder (VAE) preserved disease-relevant structural information while substantially reducing computational complexity compared with raw volumetric MRI inputs. Among the evaluated conditioning approaches, Feature-wise Linear Modulation (FiLM) produced the most consistent performance improvements and reduced cross-fold variability, suggesting that demographic information is most effective when integrated directly into intermediate feature representations. Furthermore, the ordinal regression framework improved clinical interpretability by modelling disease severity along a continuous axis and enabled flexible threshold calibration for different diagnostic operating points. Explainability analyses additionally indicated that age conditioning altered how structural atrophy patterns contributed to model predictions, particularly in diagnostically ambiguous cases.

Overall, the findings suggest that context-aware and progression-oriented deep learning frameworks provide a promising direction for improving neuroimaging-based AD classification. While age conditioning alone does not fully resolve the challenges of early-stage diagnosis, integrating demographic information through feature-wise modulation and modelling disease progression continuously both contributed to more stable and clinically meaningful predictive systems.

Alzheimers sjukdom (AD) är en progressiv neurodegenerativ sjukdom där tidig diagnostik fortfarande är kliniskt utmanande på grund av de gradvisa och heterogena strukturella förändringarna i hjärnan. Djupinlärningsmetoder har visat stor potential förautomatiserad klassificering med hjälp av strukturell magnetresonanstomografi (MRI),men många befintliga metoder förlitar sig enbart på bilddata och bortser från viktigdemografisk information, såsom ålder, den starkaste icke-påverkbara riskfaktorn för AD.

Detta examensarbete undersöker effekten av att inkludera ålder som en konditioneringsvariabel i djupinlärningsmodeller för klassificering av AD. Med hjälp av data från databaserna ADNI och OASIS3 användes stratifierad korsvalidering på individnivå för att säkerställa en robust utvärdering utan dataläckage. Flera arkitekturer och konditioneringsstrategier utvärderades för både binär och flerkategorisk sjukdomsklassificering. Dessutom implementerades ordinal regression för att modellera sjukdomsprogression som en kontinuerlig process snarare än en strikt kategorisk uppgift.

Resultaten visade att latenta representationer extraherade med hjälp av en Variational Autoencoder (VAE) bevarade sjukdomsrelevant strukturell information samtidigt som den beräkningsmässiga komplexiteten minskade avsevärt jämfört med råa volymetriska MRI-bilder. Bland de utvärderade konditioneringsmetoderna gav Feature-wise LinearModulation (FiLM) de mest konsekventa förbättringarna i prestanda och minskade variationen mellan korsvalideringsfolds, vilket tyder på att demografisk information är mest effektiv när den integreras direkt i intermediära representationslager. Vidare förbättrade ordinal regression den kliniska tolkningsbarheten genom att modellera sjukdomsgrad längs en kontinuerlig axel och möjliggjorde flexibel tröskelkalibrering för olika diagnostiska driftpunkter. Förklarbarhetsanalyser visade dessutom attålderskonditionering påverkade hur strukturella atrofi-mönster bidrog till modellernasprediktioner, särskilt i diagnostiskt tvetydiga fall.

Sammanfattningsvis tyder resultaten på att kontextmedvetna och progressionsorienterade djupinlärningsramverk utgör en lovande riktning för att förbättra neuroimaging-baserad klassificering av AD. Även om ålderskonditionering inte fullt ut löser utmaningarna med tidig diagnostik, bidrog integrering av demografisk information genom feature-wise modulation samt kontinuerlig modellering av sjukdomsprogression till mer stabila och kliniskt meningsfulla prediktiva system.