Diese Studie präsentiert eine innovative Methode zur Diagnose von Alzheimer-Krankheit, die 3D-MRT verwendet, um die Erklärbarkeit der Modellentscheidungen zu verbessern. Unser Ansatz setzt ein Soft-Attention-Mechanismus ein, der es 2D-CNNs ermöglicht, volumetrische Darstellungen zu extrahieren. Gleichzeitig wird die Bedeutung jeder Schnittebene im Entscheidungsprozess gelernt, was die Generierung einer Voxel-Level-Aufmerksamkeitskarte ermöglicht, um eine erklärbare MRT zu erstellen. Um unsere Methode zu testen und die Reproduzierbarkeit unserer Ergebnisse sicherzustellen, wählten wir eine standardisierte Sammlung von MRT-Daten aus dem Alzheimer's Disease Neuroimaging Initiative (ADNI). An diesem Datensatz übertrifft unsere Methode die neuesten Standesmethoden (i) bei der Unterscheidung von AD und kognitiv normal (CN) mit einer Genauigkeit von 0,856 und einem Matthews-Korrelationskoeffizienten (MCC) von 0,712, was Verbesserungen von jeweils 2,4 % und 5,3 % gegenüber der zweitbesten Methode darstellt, sowie (ii) bei der prognotischen Aufgabe der Unterscheidung zwischen stabilen und fortschreitenden leichten kognitiven Beeinträchtigungen (MCI) mit einer Genauigkeit von 0,725 und einem MCC von 0,443, was Verbesserungen von jeweils 10,2 % und 20,5 % gegenüber der zweitbesten Methode zeigt. Wir erreichten dieses prognotische Ergebnis durch die Anwendung einer Doppelterransfer-Lernstrategie, die die Sensibilität für morphologische Veränderungen erhöhte und eine Frühdiagnostik des AD erleichterte. Mit voxelbasierter Präzision identifizierte unsere Methode spezifische Bereiche, auf die besonderer Fokus gelegt wurde: den Hippocampus, das Amygdala-Gebiet, den parahippocampalen Bereich und die unteren lateralen Ventrikel. Alle diese Bereiche sind klinisch mit der Entwicklung des AD assoziiert. Des Weiteren fand unser Ansatz konsistent dieselben AD-bezogenen Bereiche in verschiedenen Kreuzvalidierungs-Faltungen, was seine Robustheit und Präzision bei der Hervorhebung von Gebieten beweist, die eng mit bekannten pathologischen Markern der Krankheit übereinstimmen.