胶质瘤的恶性程度对诊疗方案的选择以及疾病预后的影响存在较大差异,因此,胶质瘤的术前准确分级具有重要临床意义。目前,传统影像学技术仍是判断胶质瘤生物侵袭性的主要手段,基于各种磁共振成像技术获取到的参数被证实与胶质瘤恶性程度相关,但是任何一种单模态影像数据都不足以全面地反映胶质瘤的结构、功能、分子生物学信息等信息,而常规数据分析处理手段又限制了对多模态高维数据的联合分析。机器学习理论的引入,成功解决了高维影像学数据带来的挑战。然而,基于影像学数据并结合机器学习分类器进行胶质瘤术前分级预判的研究通常仅提取肿瘤区域或肿瘤对侧相应区域的局部信息,未将肿瘤触发的神经重塑、功能代偿考虑在内。鉴于胶质瘤具有浸润性生长的特性,其与正常脑组织的边界难以准确界定,对大脑结构与功能的影响远超过其影像学界定的边界。为此本课题基于图论理论,通过构建胶质瘤患者静息态脑功能网络,从组织水平评估胶质瘤恶性程度与脑功能异常改变之间的关系,并引入机器学习分类器,基于脑网络多维拓扑性质对胶质瘤进行术前恶性程度分级预判。本课题共募集122例已被临床确诊的右利手胶质瘤患者,通过构建每个被试的肿瘤对侧半球的静息态脑功能网络,并计算其各项全局以及节点拓扑属性,进行不同级别胶质瘤组间非参数统计分析。基于统计分析结果以及被试的基本信息构建特征矩阵,采用支持向量机模型评估胶质瘤恶性程度。本课题证实了胶质瘤患者肿瘤对侧半球静息态脑功能网络仍保有小世界属性(网络稀疏度范围:0.05-0.25),低级别胶质瘤与高级别胶质瘤组具有相似的全局拓扑属性,而节点属性在重要脑区存在显著组间统计差异。基于本课题构建的最优特征矩阵,优化后的支持向量机模型最终实现了分级准确率84.31%,敏感度77.36%和特异性91.84%,为揭示胶质瘤的病生理机制以及发展进程提供新的参考依据,并通过引入机器学习理论有效实现了胶质瘤术前分级,为胶质瘤的临床诊断和治疗规划提供了重要的参考信息。