轻度认知障碍(MCI)被认为是阿尔茨海默氏病(AD)的过渡阶段,MCI的诊断可能有助于患者进行适当的治疗以延缓甚至预防AD。 利用静止状态功能磁共振成像(rs-fMRI)的最新高级网络分析技术已被广泛用于在全脑连接级别上更全面地了解神经系统疾病。 但是,如何从功能磁共振成像数据中探索有效的脑功能连通性仍然是一个挑战,特别是当最终目标是训练分类器以有效区分患者时。 在我们的研究中,我们通过基于rs-fMRI数据计算Pearson相关系数来研究全脑的功能连通性,并通过在相关系数矩阵上应用两次样本T检验来识别最有区别的相关性,从而提出了一组新颖的功能系数。 我们首次基于这五个新功能训练了L2正则化Logistic回归分类器,并通过留一法交叉验证对分类性能进行了评估。 我们还反复进行了十次交叉验证十次,以评估我们方法的统计学意义。 实验结果表明,该方法的分类精度和接收器工作特征曲线下面积分别为87.5%和0.929,统计结果表明,该方法在统计学上优于其他三种算法,表明该方法可以在“现实世界”的诊断情况下有效地协助医生的意义。