目的:基于阿尔茨海默病（Alzheimer’s Disease,AD）群体不同阶段的表现特点,使用AD与正常对照（normal control,NC）的sMRI数据进行独立于分类过程的特征选择,挖掘出AD早期神经影像学特征,为AD的早期诊断和预测提供理论依据。同时为其他具有潜在特质属性的生物标志物统计建模提供半监督学习方法的分析思路。方法:本次研究对象数据来自阿尔茨海默病神经影像学计划（Alzheimer’s Disease Neuroimaging Initiative,ADNI）,共筛选出427例处于不同阶段的研究对象,包括125例NC、90例稳定型轻度认知障碍（stable Mild Cognitive Impairment,sMCI）、48例进展型轻度认知障碍（progesive Mild Cognitive Impairment,p MCI）、26例未知MCI（unknown Mild Cognitive Impairment,u MCI）、138例AD。采用线性回归的正则化方法对AD和NC的sMRI数据的灰质体积值进行独立于分类过程的特征选择,将前述筛选出的差异性sMRI灰质体积特征采用半监督支持向量机（Semi-supervised Support Vector Machine,S3VM）构建单独的sMRI生物标志物,并预测u MCI的标签;随后将全部MCI对象的sMRI标志物与基线认知评估量表和临床信息相结合,采用随机森林（Random Forest,RF）构建整合生物标志物,模型评价指标包括准确率（ACC）和ROC曲线下面积（AUC）等。最后选择最优整合生物标志物,借助生存分析方法预测MCI患者1-3年内向AD的转化风险。sMRI图像特征提取采用Matlab R2013b软件中的SPM工具包实现,机器学习方法采用Python3.8软件实现,检验水准定义为α=0.05。结果:采用弹性网回归模型方法选择出sMRI数据中与AD相关的差异性灰质体积共计34个,包括中央前回、背外侧额上回、额中回、眶部额上回、中央沟盖、补充运动区、内侧额上回、眶内额上回、回直肌、脑导、前扣带和旁扣带脑回、内侧和旁扣带脑回、后扣带回、海马、杏仁核、楔叶、舌回、枕中回、中央后回、顶下缘角回、缘上回、楔前叶、尾状核、豆状苍白球、颞上回、颞中回。S3VM模型在区分sMCI与p MCI时,单独的sMRI生物标志物ACC为0.6667,AUC为0.6923。RF模型在基于sMRI数据以及基线认知评估量表和临床信息相结合的整合生物标志物在区分sMCI与p MCI时,最优整合生物标志物（ADAS13、ADASQ4、FAQ、左侧枕中回、RAVLTi、右侧颞中回、右侧后扣带回、ADAS11、右侧楔叶、左侧后扣带回、右侧豆状苍白球、年龄、右侧楔前叶、CDRSB、RAVLTf、左侧楔前叶、左侧内侧额上回、右侧缘上回、左侧海马、左侧舌回）ACC为0.8621,AUC为0.9266。结论:本研究通过结合半监督和监督学习方法预测MCI向AD转化,表明sMRI在MCI向AD转化预测中的重要作用,以及将sMRI与认知评估量表和临床信息相结合构建的整合生物标志物可以提高MCI向AD转化预测的准确性,为早期识别MCI转化为AD的危险个体提供个性化服务以缓解疾病进展。