抑郁症患者自杀意念的诊断具有很强的主观性。医学影像联合机器学习研究的结果可以协助临床提供客观诊断辅助信息。但针对自杀意念的非典型个体,因其渐变特性,难以获得合理的模型特征空间分界面。因此,本文采用静息态核磁共振信号,利用半监督学习方法,针对抑郁症患者自杀意念的严重程度构造客观诊断模型。半监督学习算法被认为对过渡状态间的细微差别特征很敏感,对类似于自杀意念的连续模式的轻度认知功能损害可以进行预测。首先,论文研究了基于静息态核磁共振信号全脑脑功能连接的自杀评定客观模型。论文通过半监督学习,运用特征循环、Kendall系数、Fisher准则三种衡量特征鉴别能力的方法对高维度特征筛选,并采用迭代自组织聚类算法(ISODATA)探究抑郁症自杀意念的过渡状态。研究证实自杀意念是一个渐进的过程,而额颞环路脑区在判别其不同阶段中发挥着重要作用。另外,通过本研究模型计算每个样本在特征空间分别与两个自杀极端组中心的距离比,可以获得自杀倾向的连续估计值。它相对于现有粗糙的离散的方式,更能反映脑功能网络内部的损伤情况。其次,论文进一步探究了脑网络动态模式对自杀客观评估的作用。论文使用动态脑区模块化的方法,将模块的时间上的相关性作为耦合值来构建时间-空间模型。在此基础上,利用脑区模块化的Dwell time和Flexibility两个动态特性来构建自杀评定客观模型。研究发现,额颞、杏仁核等脑区的动态特征可能对找到自杀的冲动情绪的生物学标志有重要作用。本研究还提示,融合两类特征,可以通过牺牲一部分分类的质量,进而大大提高分类稳定性。综上,本研究从静态功能连接到动态模块化,多角度探索抑郁症患者静息态下自杀意念客观诊断模型。功能连接模式及其动态模块化的异常与抑郁症患者认知、情绪功能紊乱有关,为理解抑郁症患者自杀意念的神经生理学机制提供了理论依据。