轻度认知障碍(MCI)是一种处于正常人和阿尔茨海默症患者(AD)之间的状态,部分MCI患者会转化为AD,而另一部分则会稳定在MCI的状态。预测MCI病人的转化与否可以帮助临床早期筛选和标记高风险点的MCI病人。我们主要完善了一种比较精确的预言模型来预测MCI到AD在一年内的发展。随着医学影像的发展,正电子成像技术(PET)已经广泛用于诊断阿尔茨海默症,除了最常用的药物FDG外,一些针对早期Aβ蛋白沉积的药物,例如AV45可以用来诊断早期AD或者MCI病人。以往对AD分类和预测的研究通常使用MRI图像或者FDG图像进行单模态或者多模态的学习,使用不同的学习或者预测算法。本研究主要使用ADNI数据库上下载的多种模态的数据,包括AV45,FDG和MRI数据,每个样本有基线时间点和一次随访的各模态图像数据以及其他一些非影像类数据。研究的方法是首先将原始数据进行预处理,对MRI数据使用Freesurfer工具重建皮层获得皮层厚度点位,选取ROI内的点位作为特征;而对AV45和FDG图像则使用SPM工具配准到标准T1模板,使用相同ROI得到像素特征。对于PET模态的图像,分别使用了白质和小脑作为像素标准化的参考区域。对于预处理好的图像数据,使用流形算法对其进行降维,本次研究采用的主要是Laplacian Eigenmaps(LE)算法。然后对低维的数据分别进行统计学分析,Adaboost分类,SVM分类和回归等方法进行分类和预测。结果表明,AV45药物可以使用降维的方法来对MCI的转化进行预测,其中LE算法可以将目标维度降至非常低,甚至达到1维,直接进行统计学分析。而分类器方面SVM比Adaboost更加适合这种预测方式。