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

该研究提出了一个可解释性的框架，用于分析特定于疾病的感兴趣区域和突出连接。该框架包括一个面向脑网络的预测模型和一个全局共享的解释生成器，该生成器突出了特定于疾病的生物标记物。实验证明，该框架可以获得出色的性能并识别有意义的生物标记物。

Jun, 2022

研究使用图神经网络分析脑网络结构数据中与某些神经系统疾病相关的生物标志物。提出了一种可解释的 GNN 框架，其中包括一种新颖的显著区域选择机制和设计新颖的规则化池化层，以突显感兴趣区域（ROI），从而推断哪些 ROI 重要于识别某些疾病。在自闭症神经影像数据集上应用 PR-GNN 框架并展示其在分类准确性方面的优越性及与以往自闭症神经影像现出的生物标志物结果的高度一致性。

Jul, 2020

通过图卷积神经网络模型，以自动构建图的方式，预测自闭症患者的大脑活动模式，同时有效解决了图构建不鲁棒性问题，其性能准确，具有更强的鲁棒性。

Apr, 2017

本文提出了一个可训练的流程，以促进 fMRI 数据的分析和下游预测任务。结果表明，该流程能够更有效并独特地进行解释。

Jul, 2021

本文提出了一个名为 BN-GNN 的新型脑网络表示框架，使用深度强化学习技术训练元策略以自动确定给定脑网络所需的最优特征聚合数量（反映在 GNN 层数中），并在八个现实世界脑网络数据集上进行了广泛实验。结果显示，相对于传统 GNN，在不同的脑网络分析任务上，BN-GNN 对性能的提升更加显著。

Mar, 2022

FBNETGEN 是一种通过深度大脑网络生成的任务感知和可解释的 fMRI 分析框架，旨在完全发挥深度图神经网络在基于网络的 fMRI 分析中的作用，并提供了通过突出预测相关的大脑区域进行独特解释的学习图。

May, 2022

本文提出了一种对脑网络进行图神经网络分析的方法，名为 ContrastPool，以满足功能性磁共振成像数据的特殊需求，并在神经退行性疾病的研究中展示了其优势。

Jul, 2023

通过使用信号网络、先验知识和组学数据，我们提出了一种名为 PathFormer 的新型 GNN 模型结构，以对生物标志物进行排序和预测疾病诊断，相较于现有的 GNN 模型，在高度准确的预测能力方面有着显著优势（与现有的 GNN 模型相比，在疾病诊断方面提高了 30% 的准确性），并且在不同数据集上具有较高的生物标志物排名的可重复性。该改进在两个独立的阿尔茨海默病（AD）和癌症转录组数据集上得到验证，PathFormer 模型可以直接应用于其他组学数据分析研究。

Feb, 2024

探索人脑的复杂结构对于了解其功能和诊断脑部疾病至关重要。最近通过将人脑建模为具有图结构的模式来研究，其中不同的脑区表示为节点，这些区域之间的功能关系表示为边。此外，图神经网络（GNNs）在挖掘图结构数据方面显示出明显优势。近来，开发用于脑部疾病分析的 GNNs 进行脑图表示学习已引起越来越多的关注。然而，目前缺乏对该领域中当前研究方法的系统调查。本文旨在通过回顾利用 GNNs 进行脑图学习的研究工作来填补这一空白。我们首先介绍基于常见神经影像数据的脑图建模过程。随后，我们根据生成的脑图类型和目标研究问题对目前的工作进行系统分类。为了使这项研究能够为更广泛的研究人员群体所用，我们概述了代表性的方法和常用数据集，并提供其实施源。最后，我们对未来研究方向给出了我们的见解。该调查的存储库可访问 https://github.com/XuexiongLuoMQ/Awesome-Brain-Graph-Learning-with-GNNs。

Jun, 2024