背景:越来越多的研究认为注意缺陷多动障碍(Attention Deficit Hyperactivity Disorder,ADHD)的发病发展原因涉及脑网络的异常。例如,ADHD的额叶-纹状体-小脑(fronto-striatal-cerebellum)通路、认知控制网络(attention control network)、默认网络(default mode network,DMN)等脑功能网络出现失调。当前大多数基于静息态功能磁共振(resting-state functional Magnetic Resonance Imaging,rs-f MRI)的脑功能网络指标的分析主要基于传统的组间比较的统计方法,不能从个体化水平上鉴别ADHD儿童。其次,大多rs-f MRI研究是基于功能连接在扫描期间平稳的假设,忽略了一个情况,即在rs-f MRI扫描期间功能连接是动态变化,不是一成不变的。而机器学习有区别于传统的统计分析。本研究的目的是通过机器学习方法,基于功能连接鉴别ADHD儿童。研究从两个方面展开:研究一,探究能够识别ADHD儿童的全脑静态功能连接模式;研究二,探究ADHD儿童动态功能连接的改变。材料与方法:本项目二个研究的被试数据均来自国际公开发布的数据集:ADHD-200数据库(http://fcon＿1000.projects.nitrc.org/indi/retro/cobre.html)。研究一的二组被试符合性别和年龄匹配(男性ADHD被试40名,平均年龄11.83岁,标准差为2.88岁;男性正常发育对照组被试28名,平均年龄11.99岁,标准差为3.05岁)。采用基于全脑静息态功能连接的支持向量机方法对ADHD儿童和正常发育儿童进行分类,置换检验检查分类情况的稳定性。为了探讨脑影像指标与量表的相关性,本论文采用皮尔逊相关分析评估功能连接一致性特征与量表(注意力量表和多动/冲动量表)的关系。在研究二,男性ADHD被试32名,平均年龄12.66岁,标准差为1.75岁;男性正常发育对照组52名,平均年龄12.09岁,标准差为1.61岁。采用滑动窗口方法计算两组被试的动态功能连接;用机器学习k-means聚类的方法对动态功能连接进行状态分析,计算其时间特点的变化。最后,分析区域动态功能连接振幅与量表(注意力量表和多动/冲动量表)得分的关系。结果:在研究一中,支持向量机和交叉验证的方法成功识别了85.3%的被试。最具辨别能力的功能连接主要位于小脑、默认模式网络和额顶叶网络(frontoparietal network,FPN)内部或之间。大约一半的最具辨别能力的功能连接与小脑有关。小脑、右侧眶部额上回、左侧嗅皮质、左侧直回、右侧颞极:颞上回、右侧距状裂周围皮层、双侧枕下回在分类模型中权重比较大。在脑与量表关系中,小脑与默认网络之间的功能连接与ADHD特点的量表得分存在显著相关(p<0.05)。在研究二中,本论文发现整个静息态扫描可以鉴别出两个不同的动态功能连接状态:强相互作用状态和弱相互作用状态。ADHD与正常发育对照组儿童在各状态的再现率和状态的转换上存在显著的组间差异(p<0.05)。在弱相互作用状态下,与正常发育对照组儿童相比,ADHD组前额叶与脑岛、顶叶、小脑和丘脑与前扣带回、顶叶的功能连接发现显著降低(corrected connectivity level p<0.001,cluster level p<0.05)。ADHD组的腹内侧前额叶和前内侧前额叶的动态功能连接区域振幅与ADHD的多动/冲动量表得分显著相关(p<0.05),楔前叶的动态功能连接振幅与注意力量表得分显著相关(p<0.05)。对比静态与动态功能连接研究的结果,我们发现不管是静态功能连接还是动态功能连接在空间分布上都呈现一种相似的趋势,这个空间分布的特点是以额叶-纹状体-小脑通路为中心的大范围脑网络。结论:通过综合分析研究一和研究二的结果,本论文发现与ADHD相关的脑网络主要分布在以额叶-纹状体-小脑环路为中心的区域。研究一可能说明以小脑为中心的脑网络在ADHD中发挥着重要作用。研究二可能暗示ADHD的动态功能连接异常更多出现在弱相互作用状态。本论文在基于静息态功能连接的机器学习角度为提供ADHD磁共振研究提供了证据。