43、大规模人群研究中基于机器学习的影像生物标志物：神经影像学视角

大规模人群研究中基于机器学习的影像生物标志物：神经影像学视角

1. 引言

体内脑磁共振成像（MRI）方法在神经退行性疾病和精神疾病的诊断与治疗研究，以及理解大脑发育和衰老过程中的变化方面发挥着越来越重要的作用。现代成像方法使我们能够以前所未有的方式量化和研究大脑变化的多方面特征。然而，神经影像学数据规模庞大且复杂，涵盖了与结构、功能和病理相关的多个维度。与疾病相关的大脑变化的多元模式十分微妙，并且在很大程度上受到患者群体解剖和功能差异的干扰。

理解多模态成像测量之间的相互关系，并将其与认知、临床指标以及人口统计学和遗传风险因素联系起来，是一项具有挑战性的任务，需要对数据进行有效的总结。为了使这些复杂的成像测量最终成为临床常规检测手段，需要将其浓缩为一组相对较小、易于管理且信息丰富的影像生物标志物。

近年来，人们越来越关注使用机器学习方法来分析大规模复杂的大脑成像数据。机器学习模型能够从原始数据中提取模式以预测输出，而无需明确编程。监督学习是最常见的机器学习方法，算法使用已知结果值或标签的训练数据，寻找输入数据与输出值之间的最优映射，然后将训练好的模型应用于新数据进行预测。无监督学习则仅使用无标签的输入数据，旨在对数据的潜在结构进行建模，例如识别样本群体中的固有亚型或输入特征中的聚类。

机器学习方法在神经影像学研究中越来越受欢迎，因为它们能够处理高维数据集。与传统的单变量分析不同，机器学习可以对高维多元数据进行建模，找到复杂输入数据与期望输出之间的最优映射。此外，机器学习框架与生物标志物的概念相契合，即客观测量和评估的特征，可作为正常生物过程、致病过程或治疗干预药物反应的指标。

开发能够准确预测神经和神经精神疾病相关临床终点的影像生物标志物面