齐国庆 ，吴东，胡博，王文*

随着社会的不断发展，阿尔兹海默病(Alzheimer's disease，AD)、精神分裂症、抑郁症等认知功能或情感障碍疾病的发病率逐年提高[1,2]，给家庭和社会带来了巨大的压力。因此，早期识别大脑功能障碍相关疾病对于疾病的早期诊断和预防至关重要。

结构磁共振成像和功能磁共振成像(functional MRI，fMRI)是磁共振脑影像学的两大分支。前者包括T1加权成像(T1 weighted imaging,T1WI)，T2 加 权成像(T2 weighted imaging,T2WI)，扩散张量成像等扫描序列，可以反映大脑的解剖结构，后者则包括血氧水平依赖成像(blood oxygen level dependent，BOLD)成像，动脉自旋标记成像等，主要可以反映大脑的功能活动、血流灌注等[3]。简而言之，磁共振成像在显示脑部的解剖结构以及功能状态方面展现出了优良的性能，有助于研究者寻找大脑功能障碍相关疾病的客观影像学生物标志物[4,5]。然而，之前的研究大多是基于组水平的研究，并不能做基于个体的诊断或预测，对于临床指导意义有限。

机器学习(machine learning,ML)是人工智能的重要研究领域之一，其基本原理是根据训练集提供的有限信息构建模型，进而对新输入的样本信息进行预测，预测所得结果越逼近真实结果，说明此模型的效能越高。在医疗领域，ML能够利用多种复杂算法在庞大的临床数据中提取有用的信息进行模型训练，然后将其运用于相关疾病的早期诊断和精准诊断，有助于医生减少临床实践中的误诊率和误治率[6]。其中，由于神经精神疾病磁共振影像数据量庞大，且缺少依靠肉眼直接评估的异常影像特征，亟需借助ML的方法对其进行数据驱动分析。……