1、通過影像數(shù)據(jù)分析，傳統(tǒng)基于組比較的單元分析發(fā)現(xiàn)神經(jīng)精神疾病大腦結(jié)構(gòu)和功能的改變。但是單元分析方法只能在組水平進(jìn)行推斷，導(dǎo)致這些發(fā)現(xiàn)對臨床診斷的價值非常有限。而且，目前多數(shù)神經(jīng)精神疾病的診斷都依據(jù)其臨床癥狀，還沒有客觀的生物學(xué)標(biāo)記物。因此，如果想讓神經(jīng)影像學(xué)的發(fā)現(xiàn)更好地應(yīng)用于臨床診斷，就必須提供個體水平的預(yù)測。本文主要以磁共振數(shù)據(jù)為載體，以多元模式分析（Multivariate Pattern Analysis, MVPA）方法學(xué)為手段，

2、介紹了結(jié)構(gòu)特征、功能特征，以及結(jié)構(gòu)-結(jié)構(gòu)、功能-功能、功能-結(jié)構(gòu)特征融合在腦模式識別研究中的應(yīng)用。同時，在不同程度上對MVPA方法進(jìn)行了改進(jìn)和創(chuàng)新，將其運用到神經(jīng)、精神疾病中進(jìn)行個體水平的診斷并探測這些疾病的病理生理機制。本文內(nèi)容主要包括5個部分：
　　1.針對不同治療反應(yīng)的重度抑郁癥患者（Major Depressive Disorder, MDD）的結(jié)構(gòu)磁共振圖像（Magnetic Resonance Imaging，MRI）

3、數(shù)據(jù)，提出 Searchlight算法與主成分分析（Principal Component Analysis，PCA）相結(jié)合的特征選擇方法。從腦結(jié)構(gòu)MRI中提取灰質(zhì)、白質(zhì)體積作為特征，使用提出的方法進(jìn)行特征選擇并用支持向量機（Support Vector Machine，SVM）進(jìn)行分類。實驗結(jié)果表明提出的MVPA方法優(yōu)于其它比較流行的方法。采用灰質(zhì)與白質(zhì)體積作為特征信息區(qū)分不同治療反應(yīng)MDD患者的準(zhǔn)確率均為82.9％。另外，采用灰質(zhì)體

4、積特征信息從健康對照中區(qū)分難治型、易治型MDD的準(zhǔn)確率分別為85.7%和82.4%；采用白質(zhì)體積作為特征信息從健康對照中區(qū)分難治型、易治型 MDD的準(zhǔn)確率分別為85.7%和91.2%。額、頂、顳、枕葉和小腦一些區(qū)域的灰質(zhì)和白質(zhì)體積對MDD具有較高的診斷和預(yù)后能力。該方法可能為MDD的診斷和預(yù)后提供了一個新途徑。
　　2.針對社交焦慮障礙（Social Anxiety Disorder, SAD）的靜息態(tài)功能MRI數(shù)據(jù)，提出使用大尺

5、度功能腦網(wǎng)絡(luò)對其建立診斷模型的方法。通過靜息態(tài)功能 MRI數(shù)據(jù)構(gòu)建大尺度功能連接網(wǎng)絡(luò)并將其作為分類特征。然后，采用 F分值法進(jìn)行特征排序并利用SVM進(jìn)行分類。實驗結(jié)果表明對SAD患者的正確區(qū)分率為82.5%，敏感度為85%，特異度為80%。同時，發(fā)現(xiàn)用于區(qū)分SAD病人的一致連接主要位于幾個靜息態(tài)網(wǎng)絡(luò)內(nèi)部或者之間的連接，包括：默認(rèn)網(wǎng)絡(luò)、視覺網(wǎng)絡(luò)、感覺運動網(wǎng)絡(luò)、情感網(wǎng)絡(luò)以及小腦區(qū)。此外，右側(cè)眶額皮層在分類過程中占了最高的權(quán)重。這些發(fā)現(xiàn)為確定

6、SAD潛在的生物學(xué)標(biāo)記物提供了一定的依據(jù)。
　　3.針對傳統(tǒng)基于 LASSO特征選擇法的局限性，提出高階圖匹配的特征選擇方法，并用老年癡呆癥（Alzheimer's Disease，AD）神經(jīng)影像學(xué)（Alzheimer's Disease Neuroimaging Initiative，ADNI）數(shù)據(jù)進(jìn)行驗證?；贚ASSO的特征選擇法對每個樣本的目標(biāo)向量進(jìn)行獨立的估計而沒有考慮與其它樣本的聯(lián)系，從而忽略了訓(xùn)練集目標(biāo)向量之間的幾何

7、關(guān)系。同時，預(yù)測向量與目標(biāo)向量應(yīng)該有相似的幾何關(guān)系。將這個問題看作預(yù)測圖與目標(biāo)圖之間的圖匹配問題，通過提出二元關(guān)系正則項和三元關(guān)系正則項解決了LASSO特征選擇法的不足。本文采用灰質(zhì)體積和皮層厚度作為分類特征，由高階圖匹配方法對兩種特征分別進(jìn)行特征選擇并用多核學(xué)習(xí)法進(jìn)行特征融合。該方法對AD和輕度認(rèn)知障礙（Mild Cognitive Impairment，MCI）分類分別得到了92.17%和81.57%的準(zhǔn)確率，優(yōu)于基于 LASSO的

8、特征選擇法，這驗證了方法的有效性。
　　4.針對創(chuàng)傷后應(yīng)激障礙（Post-traumatic Stress Disorder, PTSD）的靜息態(tài)功能MRI數(shù)據(jù)，提出融合多水平特征對其進(jìn)行分類的方法。從靜息態(tài)功能MRI中提取出3個水平（區(qū)域內(nèi)，區(qū)域間和全腦）的特征，采用t檢驗與SVM遞歸特征消除（Recursive Feature Elimination，RFE）相結(jié)合的方法進(jìn)行特征選擇，并用多核SVM融合多水平功能特征進(jìn)行分類。

9、實驗結(jié)果表明每個水平的特征都能成功的區(qū)分PTSD病人，通過多水平特征的融合可以進(jìn)一步提高分類的性能。所提出的模型對PTSD分類得到的準(zhǔn)確率為92.5%，比只使用2個水平特征和1個水平特征的準(zhǔn)確率分別至少高5%和17.5%。而且，發(fā)現(xiàn)邊緣系統(tǒng)和前額葉皮層為分類提供了最具有區(qū)分力的特征。該研究可能為改善PTSD的臨床診斷提供了一個補充的方法。
　　5.針對以往多模態(tài)數(shù)據(jù)分類問題中特征選擇的局限性，提出約束模態(tài)間關(guān)系的多模態(tài)多任務(wù)特征選

10、擇方法，并使用 ADNI數(shù)據(jù)進(jìn)行驗證。傳統(tǒng)的多模態(tài)分類問題中的特征選擇法往往在每個模態(tài)內(nèi)部單獨進(jìn)行，并沒有考慮到不同模態(tài)之間特征選擇的關(guān)系。因此，提出將每個模態(tài)中進(jìn)行的特征選擇作為一個任務(wù)，在特征選擇時對模態(tài)間的關(guān)系進(jìn)行約束，并保持模態(tài)內(nèi)部選擇特征的稀疏性。在特征方面，從正電子發(fā)射斷層成像（Positron Emission Tomography，PET）中提取出區(qū)域平均代謝強度，結(jié)構(gòu)MRI中提取出區(qū)域平均灰質(zhì)體積作為分類特征。由提出的