帕金森病（Parkinson Disease,PD）是一种神经退行性疾病,以皮层和皮层下脑区广泛的结构异常为特征。帕金森病患者在症状上主要表现为运动迟缓、运动幅度或速度下降（或进行性迟滞或停顿）,且至少有一项主要运动特征为僵直性或静止性震颤,这不仅会严重影响患者的日常生活,也会给家庭和社会带来沉重的精神和经济负担。然而,目前帕金森病发病机制尚不明确,如何实现帕金森病的早期诊断和疗效预测成为了急需解决的问题。因此,探索帕金森病的神经和病理学机制,并找到能识别帕金森病发病机理的生物学标记物和特征对其在临床上的诊断干预应用具有一定的启发意义。研究表明由帕金森病引起的大脑形态结构改变会引起大脑灰质和白质功能上的异常,然而白质功能异常所带来的功能网络变化及其与帕金森病症状之间的联系尚不清楚,如何从这些大脑改变中有效地预测出临床手术与治疗的改善值得进一步探究。近年来得益于功能磁共振成像（functional Magnetic Resonance Imaging,f MRI）技术的发展,我们能够以安全无创的方式观测大脑神经解剖区域的结构与功能。本论文借助磁共振成像技术和机器学习、深度学习相关研究方法,首先以帕金森病大脑白质为切入点,从白质功能网络角度对帕金森病异常的白质交互模式进行表征,探讨帕金森病潜在的病理生理机制;进一步结合多模态脑影像数据,在白质和灰质结构模态数据以及行为量表上识别与深部脑刺激（Deep brain stimulation,DBS）术后症状改善相关的特征,试图探索出能够自动识别出帕金森病的影像标记物和具有良好手术疗效预测能力的白质灰质多模态特征。本文的主要研究内容如下:1.针对帕金森病中白质功能网络之间的交互作用异常问题,通过聚类方法共识别出12个白质功能网络,并将其进一步分为深层、中层和浅层网络。利用系数格兰杰因果方法分析发现,与正常对照相比,帕金森病三层白质网络之间的兴奋/抑制影响被破坏,特别是与基底神经节相关的深层网络与其他网络之间存在广泛的异常相互作用。此外,涉及深度网络的交互改变与统一帕金森病评分量表III（part III of Unified Parkinson’s Disease Rating Scales,UPDRSIII）呈负相关。该研究表明帕金森病中白质功能网络之间的信息关联被中断,这可能有助于从白质功能的角度理解帕金森病的神经病理学及其在整个神经系统中的进展。2.针对帕金森病中DBS术后改善效果智能预测问题,利用深度学习中的三维卷积模型和多模态融合方法,在多中心、大样本帕金森病数据中进行二分类训练,识别出能准确对帕金森病正常人进行分类的影像特征,进一步将特征迁移到经深部脑刺激手术的数据,并结合术前行为前量表预测术后疗效改善,使用皮尔逊相关系数、均方误差、R方等指标将预测结果和实际结果进行计算分析,评估预测能力。研究同时结合梯度-类激活映射（Gradient-weighted Class Activation Map,Grad-CAM）等可解释性方法,实现对关键特征的准确定位,发现能够分类和预测术后疗效的特征主要分布在基底节,运动皮层,小脑,白质额深部,枕叶和颞叶等与帕金森病受损神经环路有关的区域。该研究表明多模态的脑特征模式可以为探索帕金森病理学机制提供互补信息,并为建立全新多样本的疾病诊断模型提供思路,并且实现术前数据对术后改善的精准预测。