大脑在老化的过程中会不可避免地出现组织、结构以及功能衰退的现象,因此针对脑老化机制的研究,对脑老化有关疾病的早期预防、诊断和治疗有着重要的意义。基于大脑成像数据的年龄预测方法可以预测个体的年龄。通过比较预测年龄和真实年龄,可以捕捉出大脑结构和功能在脑老化过程中的偏差,根据偏差找到与脑老化有关的生物标记物,而这些生物标记物对临床疾病诊断有着重要的意义。因此,本文研究借助磁共振成像技术得到大脑图像,并探索实际年龄与根据大脑图像预测的年龄之间的差距。先前的年龄预测研究一般只依赖大脑的结构或者功能磁共振数据,在这里我们研究多模态数据融合,旨在提高模型的预测能力。主要研究内容包括以下几个方面:1.基于648例年龄19-88岁之间的健康被试,进行年龄预测研究。首先是提取特征,包括基于T1加权图像提取脑容积和皮层特征,基于弥散张量图像构建结构连接矩阵并提取矩阵的连接权值,基于静息态功能磁共振图像构建功能连接矩阵并提取矩阵的连接权值;其次是特征降维;最后将上述过程中得到的特征,构建不同模态的年龄预测模型。在预测模型的选择上,我们对比多个机器学习算法,最终得出基于贝叶斯岭回归以及脑容积特征空间的年龄预测模型,可以得到最优的预测结果。根据贝叶斯岭回归预测模型的结果,我们可以提出具有显著特征权重所对应的特征,作为我们所提出与年龄有关的生物标记物。本研究中发现在平均皮层厚度的特征空间中,与年龄显著有关的特征,基本集中在额叶、颞叶、脑岛等沟回。在平均皮层表面积的特征空间中,发现与年龄显著有关的特征,基本集中在颞叶,前后中央沟等多个区域。在功能连接网络的特征空间中,与年龄显著有关的特征,基本集中在颞-额叶和顶-额叶区域的连接。在结构连接网络的特征空间中,与年龄显著有关的特征,发现额叶内部有较多的连接,绝大部分颞叶区域集中在额-颞叶之间的连接,其它皮层脑区与皮下脑区之间也存在一些连接。这些区域的结构连接主要与记忆力和其它认知功能发生衰退有关。2.各个模态的数据不仅具有相似的共享信息,也具有自身模态特点的独特信息,因此将多个模态数据融合的年龄预测模型可能会得到更好的预测效果。将T1加权图像提取的脑容积以及皮层数据、弥散张量图像得到的结构连接矩阵和静息态磁共振成像数据得到的功能连接矩阵作为特征值,借助集成学习算法的Stacking作为整体架构的年龄预测模型,初级学习器使用贝叶斯岭回归,次级学习器使用线性回归作为预测算法并使用随机森林回归和Adaboost等算法作为对比。融合多个模态的数据发现,将功能与结构的数据融合能得到最低误差,平均绝对误差为5.53岁,皮尔逊相关值r为0.93,但是,单模态年龄预测最低的平均绝对误差为6.60岁。因此,多模态融合年龄预测要明显优于单个模态的年龄预测的最优结果。综上所述,本文通过将结构与功能磁共振数据融合,构建年龄预测模型,并且提取脑影像的显著特征作为与年龄有关的生物标记物,这些生物标记物可以为临床上的诊断提供一些参考。