本研究利用静息态fMRI和图论方法，系统分析了阿尔茨海默病（AD）进展过程中脑功能网络的变化特征。研究纳入ADNI数据库的132名受试者，包括认知正常（CN）、早期轻度认知障碍（EMCI）、晚期轻度认知障碍（LMCI）和AD患者，采用横断面和纵向随访设计。结果显示：1）与CN相比，AD及MCI患者在全局网络属性（小世界性、聚类系数、路径长度和全局效率）上均存在显著差异，且随疾病进展逐步恶化；2）E

《JAMA Network Open》最新研究揭示脑网络连接可预测PTSD发展。研究团队通过机器学习分析162名创伤幸存者的fMRI数据，发现创伤后1个月的前默认网络、感觉运动网络等连接模式能显著预测14个月后的特定PTSD症状。该研究首次系统证实了早期脑连接特征对长期症状的预测价值，为PTSD的精准筛查和靶向干预提供了神经生物学依据。研究支持从传统症状诊断向神经机制导向的精准精神医学转变，未来或

研究提出了一种基于深度学习的婴儿专用皮层表面重建流程iBEAT V2.0，针对婴儿大脑发育的独特挑战进行了系统性优化，并通过大规模多中心数据验证了其有效性和鲁棒性。

这项研究表明，除了海马外，MTLE-HS还涉及其他脑结构的GMV异常，支持MTLE-HS是一种网络疾病的观点。结合VBM和SVM的方法在儿童MTLE-HS的分类中显示出高准确性，为理解疾病机制和指导治疗提供了一种有前景的新工具。

研究采用机器学习方法，结合弥散张量成像（DTI）和神经纤维方向分散和密度成像（NODDI）技术，对慢性创伤性脑损伤（TBI）进行分类。

本研究构建了首个基于印度文化背景的fMRI情绪识别数据集（NeuroEmo），采用宝莱坞电影片段诱发平静、恐惧、欣喜、抑郁和兴奋五种情绪状态。通过任务态fMRI采集40名健康印度受试者的神经影像数据，并开发了动态功能连接（DFC）与图卷积神经网络（GCNN）相结合的DFC-GCNN分类模型。结果显示：1）不同情绪激活特征脑区存在显著差异；2）DFC-GCNN模型在五折交叉验证中达到95%的分类准确

本研究利用功能性磁共振成像（fMRI）和机器学习技术，探索预测帕金森病（PD）患者深部脑刺激（DBS）治疗最优参数的方法。通过对67例PD患者进行3T fMRI扫描，分析最优与非最优刺激下的大脑活动模式，构建的机器学习模型预测准确率达88%。结果显示，fMRI可客观反映DBS的临床疗效，为个性化治疗提供新途径，有望减少患者就诊次数及医疗成本。尽管存在数据采集限制和模型泛化性等挑战，但该方法为优化D

本文综述了胎儿、婴儿和幼儿（FIT）神经成像领域中预测模型的应用现状与发展趋势。研究表明，机器学习方法可有效预测儿童发展里程碑，但当前研究多集中于典型发育儿童，对临床表型的预测仍较薄弱。文章系统分析了111项研究，发现EEG和MRI是最常用模态，支持向量机和深度学习是主流算法。作者强调了数据共享和跨学科合作的重要性，以解决FIT数据获取困难、样本量小等挑战，同时指出需关注预测模型的伦理问题，如避免

本文综述了机器学习在ADHD研究中的应用与潜力。ADHD作为一种高度异质性的神经发育障碍，其复杂病因难以通过传统统计方法全面解析。机器学习通过整合多模态数据（行为、认知、神经影像和遗传），在ADHD分类、亚型识别及治疗预测方面展现出优势。研究表明，机器学习模型能识别关键特征如额叶功能异常、特定基因变异等，并实现60%-90%的分类准确率。然而，当前研究仍面临模型可解释性不足、小样本泛化能力有限等挑

耶鲁大学研究团队利用fMRI和机器学习构建预测模型，可准确评估创伤幸存者1个月和14个月的PTSD症状严重程度。该研究揭示了不同时期症状类型与特定脑网络的关联：早期预测回避症状和情绪变化，后期预测侵入性症状和过度警觉。意外发现视觉和运动感觉网络的关键作用可能与闪回症状相关。研究成果发表于JAMA Network Open（2025），为PTSD早期诊断和靶向治疗提供新思路，同时证实了PTSD症状随