为解决现有算法对人脑的白质网络特征集及灰质形态特征集筛选精度不高的问题，通过机器学习方法优化算法，将多序列特征转化为特异性指标，构建脑老化的敏感特异性特征集。先通过单因素方差分析筛选特征，然后基于机器学习分类器分别对特征集中青、老年受试者开展实验，实验数据包含96例正常受试者的脑影像数据（青年组48例，老年组48例）最后利用五折交叉验证法评估不同模型在相应特征集的受试者工作特征曲线（ROC）、曲线下面积（AUC）、分类准确率（ACC）及特异性值（SPE）。实验结果表明，所提方法在白质网络特征集及灰质形态特征集的最高分类准确率分别达到70%、74.4%，联合特征集达到90%，证实了所提方法提取的优化特征子集对脑老化具有较高的敏感特异性。
关键词
核磁共振成像; 机器学习; 脑老化
目前，我国60周岁以上的人口比例已超过国际老龄化基数，据国家统计局数据显示，预计2030年我国将成为全球老龄化程度较高的国家［1］。在脑老化过程中，脑的形态结构会发生改变，认知功能也会随之衰退［2］，研究证明正常脑老化与神经退变性疾病间存在相似病理特征［3］。因此，研究脑结构的变化规律，有助于更好地认知神经系统疾病的发病机制，并探索相应的预防和治疗措施。
医学影像技术及脑科学领域的快速发展，推动了脑结构成像技术及功能成像技术的进步。继计算机断层扫描成像（Computerized Tomography，CT）技术之后，核磁共振成像技术（Magnetic Res