药物成瘾是一种慢性复发脑疾病,长期药物作用会导致大脑的功能或结构连接发生改变,因此研究药物成瘾的脑网络连接标记,对药物成瘾机制研究和治疗效果的定量评估具有重要的意义。目前常基于皮尔逊相关系数矩阵分析脑功能连接,这种低阶特征很容易受到干扰,进而影响脑连接分析的准确性。同时,单一的功能连接分析很容易出现偏差,为了解决这些问题,本文基于机器学习以及多模态脑网络分析方法对药物成瘾数据进行分析,具体内容如下:(1)predictive protein biomarkers提出了一种使用动态滑动窗口技术提取子时间序列,同时使用卷积网络提取功能连接的方法,该方法使用自行采集的57例药物成瘾以及56例健康对照组的rs-f MRI数据进行验证,评价指标超过了FCNN。为了验证模型的有效性,本方法还使用传统统计分析方法分别做了静态的和动态的研究分析,在使用传统统计分析的方法与深度学习方法相对照的结果中,本文提出的方法与动态分析的传统方法,能够提取出更多的与药物成瘾有关的脑区。本方法还针对不同模块做了相关实验,结果表明本文提出的方法所有指标均超过前人的FCNN,本文的方法找到了药物成瘾患者在扣带回、嗅皮质、海马、杏仁核、脑岛等脑区发生了改变,并认为这些生物标志物可以为药物成瘾的研究提供相关理论支撑。(2)在使用了基于rs-selleck合成fMRIGSK-3抑制剂与DTI结合的多模态数据融合的基础上,使用了GRETNA软件提取高阶的节点网络,并将多个节点网络属性融合构建特征向量,输入到支持向量机(SVM)进行五折交叉验证。结果表明使用多模态融合数据构建的高阶融合特征向量的二分类任务中平均准确率最高可达96%,比使用单模态构建的高阶融合特征向量的平均分类准确率高约24%,比多模态单特征向量高约8%。另外得出了药物成瘾者在眶部额上回、三角部额下回、枕中回、豆状壳核、缘上回、回直肌、楔叶、豆状壳核等脑区表现出显著异常,且与已有研究结果基本一致。