目的:通过对结构磁共振成像（magnetic resonance imaging,MRI）的多个指标从不同角度构建机器学习模型并进行验证,探讨各模型对帕金森病（Parkinson’s disease,PD）的诊断效能及临床应用价值。材料和方法:收集2017年11月至2019年8月经苏州大学附属第二医院神经内科诊断的60例PD患者和56例年龄及性别匹配的正常对照者,并采集所有被试者的脑结构MRI图像及神经心理学评价资料。首先,利用Ceres、volBrain软件和计算机解剖分析工具箱（computational anatomy toolbox,CAT12）对结构MRI图像进行预处理,按照不同的分区模板分别提取小脑（体积、皮层厚度和非对称指数）、深部核团（绝对体积、相对体积和非对称指数）及灰白质体积-皮层指标（灰白质体积、皮层厚度、皮层局部脑回指数、局部分形维数和沟深）。然后,采用Mann-Whitney U检验和LASSO回归特征选择方法筛选出各指标内最具诊断判别力的特征。最后,运用逻辑回归（logistic regression,LR）和线性判别分析（linear discriminant analysis,LDA）两种分类器,结合五折交叉验证策略构建小脑、深部核团、灰白质体积-皮层及上述指标的综合模型并进行验证。采用受试者工作特性曲线（receiver operator characteristic curve,ROC）对各模型的诊断效能进行评估,计算其曲线下面积（area under curve,AUC）、敏感度、特异度、阳性预测值及阴性预测值。此外,利用决策曲线分析（decision curve analysis,DCA）方法评价各模型在不同阈值概率下的临床净获益,比较其临床应用价值。结果:两组被试者共提取了 273个小脑、59个深部核团和2544个灰白质体积-皮层特征,经过Mann-Whitney U检验和LASSO回归特征选择后,最终筛选出最具诊断判别力的特征为:小脑4个（小脑Lobule Ⅵ体积非对称指数、小脑Lobule ⅦB皮层厚度非对称指数、小脑灰质体积非对称指数及右侧小脑Lobule VI绝对体积）、深部核团3个（右侧伏隔核绝对体积、伏隔核绝对体积和伏隔核相对体积）和灰白质体积-皮层3个指标（左侧PFm局部脑回指数、右侧额上回局部分形维数和左侧枕上回沟深）。模型评估结果显示,基于LR分类器的小脑、深部核团、灰白质体积-皮层模型及综合模型的 AUC 值分别为 0.692（95%CI,0.599-0.774）、0.641（95%CI,0.547-0.728）、0.747（95%CI,0.658-0.823）和 0.816（95%CI,0.734-0.882）;基于 LDA分类器的小脑、深部核团、灰白质体积-皮层模型及综合模型的AUC值分别为0.726（95%CI,0.636-0.805）、0.610（95%CI,0.515-0.699）、0.752（95%CI,0.663-0.828）和0.818（95%CI,0.736-0.884）。此外,应用DCA曲线评估各模型的临床净获益显示,综合模型的表现最优,其次是灰白质体积-皮层模型。结论:基于结构MRI的多个指标构建的机器学习模型中,综合模型在鉴别PD患者和正常对照者时具有较好的诊断效能和临床净获益;各模型中最具诊断判别力的特征脑区可能是PD潜在的神经解剖学标志物;基于多指标的机器学习综合模型在辅助临床诊断PD方面可能具有重要价值。