摘要目的:探究阿尔茨海默病(AD)患者功能磁共振成像(fMRI)中大脑功能网络与特征之间的相互关系,构建混合功能网络(MFN),并将其应用于机器学习分类模型中,提高对AD分类的准确率.方法:回顾性分析阿尔茨海默症神经影像学倡议(ADNI)数据集中AD患者102例、健康受试者227例的临床资料,计算血氧水平依赖(BOLD)信号的偏相关脑网络并与低频波动振幅(ALFF)、分数低频波动振幅(fALFF)和局部一致性(ReHo)特征进行融合,构建MFN.提取网络拓扑参数,并基于MFN的拓扑参数构建多种机器学习分类模型,采用准确率、精确率、召回率及曲线下面积(AUC)评估模型的预测效能.结果:通过构建MFN、计算组内-组间比(IIGR),可以从ALFF、fALFF和ReHo特征拓扑参数分析中得到35个特征,经过秩和检验与FDR校正,共有28个特征之间存在统计学差异(P＜0.05).分类结果表明,5种分类器在测试数据集上均展现出较高的分类性能.其中随机森林(RF)、自适应提升算法(AdaBoost)、引导聚集算法(Bagging)、支持向量机(SVM)四类模型的准确率、精确率及召回率均达到99.7％,且AUC值分别高达100％、99.5％、99.1％和99.5％.多层感知机(MLP)的准确率(98.5％)、精确率(98.5％)、召回率(98.5％)及AUC(99.1％)略低于其他模型,但仍保持优异水平.值得注意的是,RF的AUC值达到100.0％,为所有模型中最高,而Bagging的AUC值(99.1％)在集成方法中相对最低.性能比较结果显示,MFN分类模型与传统方法相比,能够显著改善对AD疾病识别和分类的效果,并且大幅度提高分类器各项指标的表现能力.结果显示,MFN分类模型在准确度(99.13％)、AUC(99.42％)、召回率(99.46％)和特异度(99.42％)等关键指标均优于基于智能分类的融合、基于DBN的多任务学习、HPT-TSVM、无监督学习和聚类、3次多项式核函数的SVM、SVM与血浆蛋白、机器学习算法.进一步证明了 MFN分类模型在AD疾病分类中具有较好的泛化能力和鲁棒性.结论:基于MFN的拓扑参数与机器学习构建的AD分类模型可以提高对AD分类的准确率.