本文提出了一种利用图卷积网络的通用框架，该框架旨在将人群表示为一个稀疏图，其中其节点与基于成像的特征向量相关联，而表型信息则作为边权集成，以在大型人群中进行脑分析，本框架可以用于疾病预测任务，能够显著提高预测性能，并在测试了两个大型数据集，ABIDE 和 ADNI，以分别预测自闭症谱系障碍和转化为阿尔茨海默病的结果。

Jun, 2018

通过使用图神经网络和 fMRI 数据，开发出含有两个阶段的流程来识别 ASD 的生物标志物，并发现证据为 GNN 分类器使用的大脑区域 / 子图。

Jul, 2019

我们提出了一种基于聚合归一化图卷积网络的方法，通过在图采样中利用聚合、跳跃连接和标识映射，将图像和非图像特征融入节点和边缘，从而增强了预测能力，提供了大脑疾病潜在机制的整体视角。实验结果表明，在自闭症谱系障碍和阿尔茨海默病的预测上，相对于图卷积网络，我们的方法在准确度方面分别提高了 50% 和 13.56%。

Nov, 2023

图神经网络对于结合图像和非图像医学信息用于节点分类任务非常有效。这篇论文介绍了 OTGCN，一种强大而新颖的跨网络节点分类方法，它利用图卷积网络中的概念来充分利用图数据结构的洞察力，同时应用基于最优传输的策略来纠正在不同数据收集地点之间可能发生的域漂移。该方法为在不同地点和设备上收集到多种不同形式数据的情况提供了实用解决方案。我们通过使用图像和非图像数据的混合方式演示了这种方法在自闭症谱系障碍患者分类中的有效性。

Jan, 2024

利用不同机器学习算法研究自闭症的诊断方法，发现了最重要的特征并自动化了诊断过程，同时采用流行的聚类算法对数据集进行了进一步分析，得出了最佳聚类模型。

Sep, 2023

本文介绍了在人群的脑分析中，将图卷积网络（GCN）应用于包括成像和非成像数据的稀疏图中，以推断未标记节点的类别，并在分类任务中整合上下文信息的潜力。该方法在 ABIDE 和 ADNI 数据库上取得了良好的性能。

Mar, 2017

社交媒体上恶劣行为的复苏对刻板观念、对个人和社会群体的仇恨言论以及虚假或扭曲的新闻产生了不良影响。引入基于图卷积数据的方法来更好地捕捉异构数据之间的依赖关系，为未来调节社交媒体平台上的交流提供了希望。我们提出并评估了一种基于图的方法来检测恶劣行为，具有普遍适用性，既不受语言也不受上下文限制。在本研究中，我们在几个 PAN 数据集上进行了实验验证，这些数据集是作为共享任务的一部分提供的，可以讨论所提出解决方案的结果。

Dec, 2023

通过引入学生 - 习题二分图信息，我们提出了一种自适应语义感知图神经网络层并应用于认知诊断模型 (ASG-CD)，以解决其研究中的限制，并在三个真实数据集上进行了广泛实验证明了 ASG-CD 的有效性。

Feb, 2024

本研究提出了一种使用自适应闸门图卷积网络病诊断的方法，基于脑功能连通性图结构和节点特征增强的卷积方法，实现了对阿尔茨海默病患者的较高精确度预测，并提供了说明预测的一致解释的可能，有助于进一步研究 AD 相关的大脑网络变化。

Apr, 2023

通过模型解释技术，本文综述了图神经网络在功能磁共振成像数据集上应用于疾病预测任务中的应用，特别关注所生成的神经变性疾病和神经精神障碍的潜在生物标记的稳健性，并建议建立新的标准来评估这些潜在生物标记的稳健性。

May, 2024