使用多模态电子病历数据和深度学习框架预测多发性硬化症疾病的严重程度；我们描述了一个基于结构化电子病历数据、神经影像和医学记录的多模态深度学习框架，相比使用单一模态数据的模型，该框架提高了高达 25% 的预测准确度；研究还提供了有关每个数据模态与硬化症疾病预测相关性的有用信号量的见解。

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

使用 FLAIR 影像的卷积神经网络来自动分割多发性硬化症的病变，该方法在测试中表现显著优于其他现有的方法。

Jan, 2022

本研究提出了一种基于 GNN 的自监督预训练模型，能够捕捉电极几何或动态脑连接的脑电图图形结构，提高罕见癫痫类型的检测和分类精度。此外，提出了一种定量的模型可解释性方法来评估模型在 EEGs 内定位癫痫的能力。实验证明，GNN 的自监督预训练方法在癫痫检测和分类上都优于以往的方法，能够精确定位约 25.4% 的局部癫痫，可以为临床医生提供直观的癫痫局部化信息。

Apr, 2021

采用深度学习模型结合多模态数据进行阿尔茨海默病的早期诊断，通过图神经网络框架将结构和功能融合，提高诊断效果。

Jul, 2023

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

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

本研究提出了一种应用于静息状态 fMRI 体积的跨多尺度视角（全局尺度 - 脑网络水平和局部尺度 - 检查构成网络的每个个体 ROI）的技术，并利用深度学习的分类方法来理解神经退行性问题。提出的方法的创新之处在于利用了两种极端尺度的分析。一种分支考虑了整个网络在图分析框架内，同时第二种分支分别审查网络中的每个 ROI，重点关注动态演变。该方法用于对 50 个健康对照组（HC）和 50 个轻度认知损害（MCI）人群进行分类，结果表明：（1）MCI 组中的 ROI（如 PCC）活动减少，（2）MCI 组中的枕叶活动增加，这在 HC 组中未见，（3）在动态分析中，MCI 组中的所有 ROI 显示出更大的时间序列可预测性。

Feb, 2024

本文探讨基于图卷积网络的深度学习方法，在结合病人脑影像信息后，用于分辨帕金森患者和健康对照组，泛化表现高于传统 PCA 方法。

May, 2018