背景：近年来，越来越多的研究采用机器学习的方法识别病人和健康被试。一些静息态功能磁共振研究使用功能连接作为分类特征。文章的目的是使用机器学习探索与注意力缺陷多动症 (Attention Deficit Hyperactivity Disorder，ADHD) 相关的全脑静息态功能连接异常模式。 
材料与方法：我们纳入性别年龄匹配的 68 名被试 (40 名男性 ADHD 被试，平均年龄 11.83 岁，28 名男性健康对照组，平均年龄 11.99 岁)，采用支持向量机鉴别 ADHD 病人，用置换检验方法检测分类模型的稳定性。为了探讨大脑与行为的关系，我们使用皮尔逊相关的方法计算最有鉴别力的特征与临床量表 (注意力缺陷量表和多动/冲动量表) 的关系。
结果：支持向量机的交叉验证方法成功识别了 85.3% 的被试。大多数最具辨别的功能连接位于小脑、默认模式网络和额顶叶网络内部或相互之间。其中，大约一半高辨别能力的功能连接与小脑有关。小脑、右侧眶部额上回、左侧嗅皮质、左侧回直肌、右侧颞极、颞上回、右侧距状裂周围皮层和双侧枕下回在分类中具有高的鉴别能力。在大脑与行为关系中，小脑与默认网络之间的功能连接与 ADHD 行为症状显著相关 (P < 0.05)。
结论：研究发现，ADHD 患者中存在着脑网络大范围的改变。这些发现为 ADHD 病理机制提供了新的证据，并为 ADHD 病人的诊断提供客观的生物学依据。
关键词：注意力缺陷多动症，功能连接，支持向量机，K-mean