静息状态功能连接（RSFC）记录了任意一对脑节点之间的功能交互，可以提供丰富的大脑功能连接信息，但缺点是数据维度非常高，特征分析十分困难，为了降低高维特征，相关分析是特征选择的常用方法。但静息态功能磁共振成像信号表现出低信噪比、可靠性较差的问题，传统的相关分析对异常值和数据分布敏感，常常筛选出不稳定的特征。
为了有效解决这一问题，李海云教授团队提出了一种基于自举法的特征选择框架，并将其应用于基于功能连接的认知表型预测建模，包括支持向量回归（SVM）、最小绝对收缩和选择算子（LASSO）、岭回归（Ridge regression）和连接预测模型（CPM）等模型。通过利用“人脑连接组计划”（Human Connectome Project）数据对模型进行验证，系统地研究不同参数对预测的影响，并找出最优的参数组合作为每个认知表型的预测结果。结果显示，在四种预测模型中，自举特征筛选法的预测效果均优于相关分析法，且该方法可以有效地减少特征维数，筛选出更稳定有效的特征。
该框架是一种易于使用的、有效的提高认知特征RSFC预测的方法，并可在其它行为评分预测上推广。该研究有助于提高神经影像学在探索健康脑的功能表型、脑疾病的影像学标志及疗效评估上的应用价值。
该研究获得北京自然科学基金委项目（No.7174282，No.L192044）和北京市教委科技计划项目（No.KM202010025025）经费等资助。
李海云，首都医科大学生物医学工程学院教授、博士生导师。主要从事医学影像计算与仿真、医学人工智能研究。担任国家科技奖励、中华医学会及北京市科技成果评审专家，《Journal of Alzheimer's Disease》助理编辑，《航天医学与医学工程》、《北京生物医学工程》、《生物医学工程与临床》等杂志编委。先后承担了国家自然科学基金、北京市自然科学基金、北京市教委科技计划重点项目、北京市自然科学基金海淀原始创新联合基金等多项课题。在《Brain Research》、《Neuroscience》、《Physics in Medicine and Biology》、《Human Brain Mapping》、《Soft Computing》等期刊上发表多篇论文。主编学术专著一部，参编十三五规划教材一部，获国家发明专利3项和软件著作权20余项。
