抑郁症与焦虑障碍虽然属于两个完全独立的疾病单元,但是两种疾病又常常同时存在,即医学上所谓的“共病”。抑郁症和焦虑障碍共病患者(以下简称“共病患者”)具有起病年龄晚、病情重、自杀危险性高、社会功能损害重等特点。本文基于脑结构磁共振图像,采用形态学分析及机器学习等方法,研究共病患者脑结构形态的特征及特异性。本文主要研究内容包括两个部分:一、采用基于体素的形态测量学(VBM)及感兴趣区域体积(ROI)等分析方法,研究共病患者、抑郁症患者、健康对照组等三组被试的脑灰/白质体积组间差异以及与疾病严重程度之间的关系。三组被试的灰质体积存在显著差异的脑区主要分布在大脑岛叶、额叶、顶叶、颞叶等部位,白质体积存在显著差异的脑区主要分布在小脑顶叶、大脑额叶、顶叶等部位。此外,大部分具有显著差异的感兴趣脑区中,灰质体积或白质体积与临床评价指标存在显著相关性。例如,左岛叶皮质的灰质体积与汉密尔顿焦虑评分呈显著正相关,推测左岛叶皮质可能是区分抑郁症患者有无共病焦虑障碍的重要脑区。二、研究机器学习理论在磁共振影像数据上的应用,实现疾病的自动分类识别。采用标准支持向量机、F-score特征选择的支持向量机、RFE特征选择的支持向量机等,对磁共振图像数据进行分类训练与测试。通过对分类器效果对比,发现RFE特征选择支持向量机在组间分类上效果和准确率最佳,例如结合灰质体积及白质体积特征的分类试验中,共病患者与抑郁症患者的特异性、敏感度、准确率均达100%。本研究发现共病患者与抑郁症患者、健康对照相比较,大脑及小脑的灰质及白质体积在小脑顶叶、大脑岛叶、额叶、顶叶等部位具有显著差异,且与疾病严重程度之间存在显著相关性。机器学习的分类结果表明,基于脑结构磁共振图像的形态学特征可以实现高准确率的被试自动分类识别。本文基于结构磁共振影像数据,采用形态学分析与机器学习相结合的方法,发现了共病患者脑形态结构的特异性,并实现了高准确率的分类识别,对精神疾病的临床辅助诊断具有一定的参考价值。