阿尔茨海默症是继心血管病、脑血管病和肿瘤之后，威胁老年人健康的重要疾病之一，已经成为老龄化社会亟待解决的重要研究课题。随着世界范围的老龄化人口急剧增长，如何应对阿尔茨海默症已经成为全球共同面对的严峻的社会、经济学问题。目前，尽管对阿尔茨海默症神经生物学机理的研究已有显著进展，迄今尚无有效治愈或控制病情进展的方法。研究表明早期发现并干预可以延缓或阻止病情进展。影像标志物的检测分析是阿尔茨海默症早期诊断的有效手段，对于预防和控制疾病以及检测病情发展具有重要意义。因此，如何准确预测阿尔茨海默症进展以及有效识别影像标志物，达到在疾病前驱期施以干预的目的，是当前急需解决的关键和难点问题。
　　本文基于多任务学习框架，提出快速、高效的阿尔茨海默症临床数据分析方法，结合领域知识融入结构化的稀疏学习、任务相关性分析、时间序列跟踪和非线性分布等思想，构建临床决策模型，并挖掘筛选病程中不同阶段不同层面的影像标志物，获取阿尔茨海默症患者内在规律，进而提升对阿尔茨海默症早期诊断的敏感性和发展趋势的准确性。本文的主要研究内容如下:
　　(1)针对神经成像高维度特征以及特征回归系数中存在的组结构信息，预测认知结果会影响计算性能，并可能导致对相关预测的错误估计和识别。本文提出基于AD稀疏组结构的多任务学习方法。该方法在一个统一的框架中同时考虑特征和多任务学习中的先验组信息，有效地结合多个认知得分预测任务的关联性和特征固有的组结构信息。进而达到减少高维度和识别相关的影像标志物的目的。本章在ADNI数据集上进行了大量的实验，从不同维度与指标对预测性能和影像标志物识别进行了验证，证明了方法的有效性。
　　(2)针对现存多任务特征学习方法都假设所有任务之间的相关性是一致的，因而忽略了任务固有结构和成像特征结构。通过假设某些任务是相关的，才应该有相似的权重向量和大脑区域，权重的大小取决于任务间相关性的强弱。本文提出融合AD任务图结构的多任务特征学习方法，根据所有任务的特征以及大脑区域的局部任务结构建立一个共同的表示，同时捕捉任务层面和特征层面的潜在结构。在本章工作中，ADNI数据集的所有认知测量(共20个)都被用来挖掘这些关系。这是第一个在ADNI数据集中分析和开发所有认知措施及其关系的工作。
　　(3)针对现存模型没有对随着时间推移而产生的不同时间点的认知得分进行建模。基于时序数据认知得分在跟踪疾病进展连续时间点的神经成像测量，本文提出基于AD时间序列跟踪的具有时间平滑属性的多任务学习方法。考虑同一认知得分不同时间点(时序分析)作为多个任务来预测疾病进展，构建任务间更泛化的加权依赖关系图。大量实验表明，该算法预测性能超过了多种多任务学习方法，精确识别了与医学研究一致的认知相关的影像标志物。
　　(4)针对目前大部分回归模型将预测任务作为线性回归问题进行阐述，即假设特征和认知得分之间的关系是线性的，因而无法捕捉特征与认知结果之间的复杂关系。本文提出基于非线性多核函数的多任务学习方法。研究神经成像和认知得分之间的非线性关系，将其作为神经成像的非线性函数，通过对预定义的候选核加权和线性组合来学习任务的最优核。在ADNI数据集上的实验表明，非线性正则化多核多任务学习方法有效地融合了多模态数据，并且比多种多任务学习的方法获得了更好的预测性能。