通过深入研究深度学习模型在医疗解决方案中的部署，本研究旨在探讨在医疗系统中使用的深度学习方法，包括前沿的网络设计、应用和市场趋势，以及当前未解决的问题和潜在方向。

Oct, 2023

临床人工智能中的图表示学习，特别是通过图神经网络 (GNN)，以其捕捉结构化临床数据中复杂关系的能力而脱颖而出。图人工智能通过将模态作为通过它们的关系相互连接的节点整体地处理数据，从而促进了模型在临床任务之间的转移，使模型能够在没有额外参数或最小重新训练的情况下推广到患者群体。然而，人类中心设计和模型解释能力在临床决策中的重要性不容忽视。由于图人工智能模型通过定义在图关系上的局部神经变换捕捉信息，它们在阐明模型的合理性方面既带来机遇又带来挑战。知识图谱可以通过将模型驱动的见解与医学知识相结合来增强解释性。新兴的图模型通过预训练整合多种数据模态，促进互动反馈循环，促进人工智能和人类的合作，为临床意义的预测铺平了道路。

Oct, 2023

本文提出了一个框架，将 AI 算法和数学建模相结合，以提供全面的生理条件视图，并展示了整体有机体概率模拟和分子数据驱动的临床模型集成的潜力，这有助于解决将多尺度计算模型与 AI 相结合的重要技术挑战，从而实现了医疗保健的数字孪生兄弟的目标。

Sep, 2020

深度学习在图神经网络中的非欧几里得空间的生物信息学研究中具有潜在的优势，能够解决与生物相关的复杂图形问题。

Nov, 2023

利用图神经网络（GNN）算法，该研究在医学和健康领域创新性地整合了图神经网络技术，并通过挖掘患者的临床特征、基因信息和生活习惯之间的复杂关联，构建了高精度的患者健康状况表示模型。实验证实，相比传统机器学习方法和单一图神经网络模型，该个性化医学决策算法在疾病预测准确性、治疗效果评估和患者风险分层等方面表现出显著优越性。

May, 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

该研究综述了将深度学习方法应用于普适图形数据的现有五类模型结构和训练策略：图循环神经网络、图卷积网络、图自编码器、图强化学习和图对抗方法，并提出了潜在的未来研究方向和应用领域。

Dec, 2018

该论文综述了图神经网络在数据挖掘和机器学习领域的广泛应用，提出了四种图神经网络的分类，并讨论了在各个领域中的应用以及图神经网络的开放源代码、基准数据集和模型评估，并提出了该领域的潜在研究方向。

Jan, 2019

本文介绍了 AdaptiveNet 重复神经网络的体系结构，以处理电子病历的多个事件列表，并应用于风湿性关节炎的疾病进展预测，优于传统基线方法。

Aug, 2020

图神经网络是通过揭示基因和细胞之间的深层连接来重塑我们对生物医学和疾病的理解。本文总结了过去几年针对单细胞数据量身定制的图神经网络方法，并强调了以图注意力网络为中心的多样化图深度学习架构及其在单细胞数据上的几个目标，包括细胞类型注释、数据整合和插补、基因调控网络重建、聚类等。预计在生物医学领域中，随着不断产生的大规模组学数据和细胞与基因之间的相互关联性加强，图神经网络将成为单细胞分析工作的核心。

Oct, 2023