该综述研究了使用深度学习通过 EEG 信号、功能性磁共振成像 (fMRI) 和扩散磁共振成像 (dMRI) 检测和预测精神分裂症的论文，并对这些研究进行了概述和比较，这一领域取得了重要进展。

May, 2023

本文提出了一种利用深度学习方法进行疾病预测的算法，通过 MRI 扫描病人的大脑，基于 ADNI 数据集中的 2265 个历史扫描，该算法可用于预测病人的疾病状态，并证明了 3D 卷积神经网络优于文献中的其他分类器并产生了最新的结果。

Feb, 2015

该研究引入了一种深度学习方法，使用空间序列注意力（SSA）机制对带有精神分裂症的个体进行分类，通过结构性磁共振成像（sMRI）提取并强调重要特征表征，实验证明该注意力机制在精神分裂症分类中优于现有的压缩和激励网络。

Jun, 2024

通过采用监督超像素编码技术和图形技术，可以优化模型，在不影响 CNN 模型性能的情况下将优化参数提高 26 倍，并能够在脑肿瘤患者的大脑图像中识别特征连接

Jul, 2023

我们提出了一种基于多维嵌入感知的模态融合变压器（MFFormer）来使用静息状态功能磁共振成像（rs-fMRI）和 T1 加权结构磁共振成像（T1w sMRI）对精神分裂症和双相障碍进行分类，实验结果表明我们的 MFFormer 在精神分裂症和双相障碍诊断上表现优于单一或多模态 MRI。

Oct, 2023

利用多个不同来源的功能性磁共振成像数据（4,410 名受试者，6 个位置）建立深度学习模型，能够识别 5 种脑部疾病，包括默认模式、执行控制、视觉和边缘网络等共同受损的功能子网络，并发现了早期和晚期大脑疾病共同谱系。

Feb, 2023

通过使用脑部网络的静息态功能磁共振成像技术，本研究采用复发图方法对 100 名受试者的脑部网络进行分析，并通过自编码器得出低维特征嵌入，得到 93% 的分类准确率，证明了该方法的潜力。

Nov, 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

该研究旨在提出一种混合模型，将卷积神经网络模型的特征提取能力与长短期记忆模型的检测能力结合起来，通过应用转移学习中的 VGG16 从 MRI 图像中提取特征，并使用软最大函数对完全连接层的输出层进行分类，成功地检测出阿尔茨海默病，并取得了 98.8% 的准确率，100% 的敏感性和 76% 的特异性。该提出的混合模型在性能上超过了其 CNN 对手，展现出卓越的性能。

Mar, 2024

本研究提出了一种基于多尺度图谱和深度学习的方法，使用具有生物意义的多尺度图谱计算多尺度功能连接网络，并结合多尺度网络中区域之间的生物意义关系进行诊断信息提取，以实现更好地理解脑部疾病的神经病理学。实验证明该方法在阿尔茨海默病、轻度认知障碍和自闭症谱系障碍的诊断中比其他竞争方法更具优势。

Sep, 2022