摘要：将机器学习应用于精神疾患的临床研究中是近年来的研究趋势。机器学习可应用于包括脑成像数据在内的复杂数据，对精神分裂症患者和健康对照进行分类。本研究使用98名精神分裂症患者和89名健康被试的T1加权像和弥散张量成像，经预处理后分别提取116个脑区的灰质体积和18条白质纤维的弥散值，包括各向异性分数(fractional anisotropy, FA)，平均扩散系数(mean diffusivity, MD)，径向扩散系数(radial diffusivity, RD)和轴向扩散系数(axial diffusivity, AD)。实验使用支持向量机(Support Vector Machine)算法训练数据，采用分类正确率、敏感性、特异性等指标，通过嵌套交叉验证比较不同模态数据（T1加权像和弥散张量成像）的分类效果，探究不同特征选择方法（包括递归特征消除、随机森林、Ridge系数和F值）应用于脑结构数据的优劣，定义判别特征并探究判别特征在新数据中的分类效果。结果表明，同时使用灰质体积和白质纤维弥散值的分类结果（分类正确率范围：45%-65%）优于单模态数据（灰质体积：48%-59%；白质纤维弥散值：39%-63%）；四种不同特征选择方法的分类正确率相似，平均正确率在50%-60%。判别特征主要集中在额叶、枕叶、边缘系统、基底神经节、丘脑放射束、弓型束等区域。以判别特征为输入特征的最终模型在新数据中表现良好，可达到97%的正确率。本研究结果提示在多模态数据（灰质体积和白质纤维弥散值）中使用机器学习能很好地分辨精神分裂症患者和健康对照。