阿尔茨海默症(Alzheimer’sDisease,AD)是一种不可治愈的神经退行性大脑疾病,也是老年人群中最常见的痴呆症之一。根据报告,AD病患者数量从2000年至2010年增长了 68%,并将在2050年达到1.15亿。当患者被确诊为AD时,AD病就已经对患者的身体造成了不可挽回的损害。轻度认知障碍(Mild CognitiveImpairment,MCI)是AD病一个必经的前驱阶段,也是AD病诊断的重要依据之一。最近的研究表明,每年大约有10%-15%的MCI患者转化为AD,没有转化为AD的MCI患者可能转变成其它形式的痴呆或稳定在MCI的状态,在一些情况下,MCI患者也可能恢复健康。现有的治疗手段虽然无法治愈AD病,但能够延缓AD病症状的发生。预测MCI患者是否会进一步转化为AD,能够让患者及早的接受预防治疗,增长治疗时间,从而提高患者及患者家属的生活质量,这对于患者家庭以及临床病理研究都有着非常重要的意义。本文基于核磁共振成像数据,对MCI到AD的转化预测问题进行了研究。为了寻找更加有效的预测子(predictor),首先对现有的相关工作进行了梳理,并分析了这些工作的不足。针对这些不足,本文分别提出了三种预测子,分别为:1)耦合特征预测子,通过耦合特征表达的方式对感兴趣区域(Region of Interest,ROI)特征间的隐含关系进行表达和利用,以减小向量特征表达中默认特征间互相独立所带来的误差;2)切面深度预测子,使用二维卷积神经网络(2D-CNN)对MRI的切片特征进行学习,通过特征学习的方法来克服手工特征表达能力不足的问题,并提高了转化预测的准确率;3)空间深度预测子,使用三维卷积神经网络(3D-CNN)对MR1图像中的空间特征进行挖掘,以解决使用2D-CNN处理三维体积图像(3D Volumetric Image)造成的空间信息丢失问题。在实验结果中,耦合特征预测子获得了 75.4%的转化预测准确率,相较于使用原始特征提高了 3.3%,验证了 ROI特征间关联性的存在,并且ROI特征间的隐含关联也与MCI到AD的转化有关。在切面深度预测子中,本文首次提出在MRI切片上训练子分类器并组成投票器的预测方案,并对大脑中与疾病高相关的区域进行了抽取,发现决策区域分布于海马体、杏仁核、梭状回、豆状苍白球、颞极等大脑结构中,与临床结论相佐证。实验中,切面深度预测子获得了 81.1%的预测准确率,相较于基于特征工程的耦合特征预测子提高了 5.7%。在空间深度预测子的实验结果表明,3D-CNN能够更加有效的对空间特征进行学习,获得了 83.1%的预测准确率,并且在3D-CNN的方法中,AD与NC(Normal Control,健康被试)数据作为辅助数据参与学习能够有效地提高MCI到AD的转化预测准确率。最后,本文还引入了神经量表得分数据,通过将预测子与神经量表得分拼接形成新的特征向量,再使用随机森林分类器进行二次预测,获得了更高的AD病转化预测准确率。