阿尔茨海默症(Alzheimer’s disease,AD)是一种不可逆的脑神经系统退化性疾病,也是我国老年人群第四大致死疾病。由于AD的病因尚未完全阐明,且无有效的治疗方法,因此AD早期诊断和干预尤为重要。目前,作为AD临床前驱阶段,轻度认知障碍(mild cognitive impairment,MCI)的早期诊断越来越受到学界关注。MCI是一种介于正常衰老和痴呆之间的中间阶段,在此阶段患者的认知功能有轻度衰退,但日常生活能力没有收到明显干扰。经过临床有效干预,MCI患者可能可以避免认知能力进一步退化。因此MCI的早期诊断以及AD转化预测同样具有重要的实际临床意义。临床上常见的AD、MCI诊断、预测方法包括基于生物化学指标的测量,如脑脊液tau蛋白、Aβ42沉积等;基于认知能力的量表测试,如MMSE(Mini-mental State Examination)和CDRSB(the clinical dementia rating scale in its sum of boxes);以及基于神经影像学的检测(例如核磁共振成像、正电子断层成像)等。由于生化指标获取难度大且有侵入性,量表测试容易被非病理主观因素干扰,而神经影像诊断方法可以避免这些问题,因此近年来基于神经影像构建计算机辅助诊断、预测方法逐渐成为研究热点。目前,针对神经影像常见的分析方法主要基于影像特征标记物(如海马体体积、皮质厚度等),或者基于机器学习与深度学习的方法构建诊断算法。但这些方法存在不足:影像标记物方法基于原始低阶的影像学特征,诊断预测准确率有待提高;基于机器学习与深度学习的方法虽然准确率较高,但其黑箱过程丢失了医学影像中蕴含的大量价值丰富的医学信息。为了解决上述问题,本研究拟采用一种新兴的医学影像特征提取和分析技术:影像组学(Radiomics),该方法目前已经被应用于肿瘤学领域。然而,文献检索结果表明尚未有研究人员将影像组学方法应用于AD诊断相关领域。因此,本文主要目的是探索影像组学是否可以应用于AD、MCI的诊断与预测。本文首先参考肿瘤学影像组学方法,提出用于AD、MCI诊断与预测的计算机辅助诊断流程框架,包含五个步骤:图像预处理、感兴趣区域分割、特征提取、特征选择、分类和预测。其中,在图像预处理、感兴趣区域分割、特征选择部分本文均提出了不同于肿瘤学影像组学的新方法,包括脑图像的配准与去噪处理;基于体素形态学、深度学习方法的感兴趣脑区分割;针对疾病本身相关的病理学信息与特征值本身进行医学统计分析,筛选出了具有临床分析价值的有效特征等。为了验证该框架的可行性和临床意义,本研究进行了两个试点研究。第一个研究是基于氟代脱氧葡萄糖正电子发射型计算机断层成像(18FFluorodeoxyglucose Positron Emission Tomography,18F-FDG PET)的阿尔茨海默症计算机辅助分类诊断研究。本研究包含466个AD、MCI与健康老年人(HC)的样本。利用体素形态学方法确定感兴趣脑区,从每个样本中提取215个影像组学特征,并基于Cronbach’s alpha系数确定稳定的影像组学特征,利用Pearson相关系数筛选出了与认知量表相关的有效特征,最终利用支持向量机进行AD、MCI和HC的分类诊断。结果表明,在脑18F-FDG PET成像中有168个不受随机误差影响的稳定特征。500次随机交叉实验结果表明60个影像组学特征可以与AD认知能力相关、35个与MCI患者的认知能力相关。在最终的分类测试中,该方法达到最高91.5%的准确率区分AD和HC、83.1%的准确度区分MCI和HC、以及85.9%的准确率区分AD和MCI。第二个研究是基于MRI影像的轻度认知障碍转化阿尔茨海默症计算机辅助预测研究。本研究包含371个MCI稳定患者(188个)和MCI转化至AD痴呆的患者(183个)。首先利用基于U-Net的深度学习方法进行海马体分割作为感兴趣区域,从每个样本中提取了520个特征;其次,本研究通过Cronbach’s alpha系数确定影像组学特征的稳定性,并利用Kaplan-Meier方法筛选出可以反映MCI至AD痴呆转化率的有效特征;最终利用支持向量机进行MCI患者是否会转化为AD痴呆的预测。结果表明,在脑MRI成像中有414个稳定特征中有50个有效特征可以反映转化风险。最终以93.0%的准确率区分出了MCI中会转化为AD的潜在患者。综上,本课题证实了影像组学方法可以用于开发AD、MCI的计算机辅助诊断、预测方法。其准确率不仅高于经典图像分析方法和深度学习方法,还可以揭示隐含在脑神经成像中的病理学信息,为后续疾病机理研究提供了新的视角。