提出一种优化下游任务的人口图结构学习框架，通过注意机制为一组成像和非成像特征分配权重，用于边提取，并使用生成的图来训练图卷积网络，结果表明该方法在脑龄回归和分类方面优于固定图方法和其他最先进的自适应方法，并且赋予的注意程度指示了成像和非成像特征对脑龄估计的信息价值与相关文献一致。

Jul, 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

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

本研究提出了 Bargrain，它通过使用图卷积网络模拟了两种图结构：过滤后的相关矩阵和最优样本图，旨在既得益于这两种图结构，又解决了仅依赖单一结构的限制。大量实验证明，Bargrain 在脑部疾病数据集的分类任务中，以平均 F1 分数为衡量指标，胜过了现有方法。

Dec, 2023

本文提出将结构网络和功能网络耦合起来，提出一种联合图卷积网络（Joint-GCN）以分析结构和功能网络之间的关系，并在预测大脑白质网络年龄和性别方面进行应用，结果表明联合 - GCN 比现有的多模态图学习方法更有效。

Oct, 2022

通过引入扩展图评估指标（GAMs），我们研究了患者队列的重组、人口图形的构建以及使用图神经网络进行医学相关的任务，展示了这些评估指标与模型性能之间的相关性。

Jul, 2023

该研究评估了在应用于帕金森病和对照样本的高通量生物数据的病例对照分类中，基于样本相似性网络和分子相互作用网络的多个图表示学习模型，包括蛋白质 - 蛋白质和代谢物 - 代谢物相互作用。通过系统应用于转录组学和代谢组学数据的比较分析，突出了各种架构在提取组学数据模式方面的优点和局限性，为生物医学研究中更准确、可解释的模型铺平了道路。

Jun, 2024

本文研究了具有协方差矩阵的图形卷积神经网络（coVariance 神经网络），证明了 VNN 具有出色的转移性能和在脑成像数据分析中的应用，通过具有多尺度的神经成像数据预测大脑年龄等任务的实验结果，论证了其比传统 PCA 方法更具有实用性，并验证了其对于阿尔茨海默病的优势与解释性。

May, 2023

介绍了一种名为 NeuroGraph 的开源 Python 软件包，它包含了一系列基于图形的神经影像数据集以及基准的实现、模型训练和标准评估，可以用于机器学习研究高维功能性神经影像数据的分析和预测。

Jun, 2023

提出一种可解释性的分层符号图表示学习模型，用于从脑功能网络中提取全局表示以用于不同的预测任务，并且通过数据扩充进一步提高其性能。通过在 HCP 和 OASIS 数据集上进行广泛实验的结果表明，该模型在预测任务中表现出优越性，并使用图形显着性图来检测和解释表型生物标志物。

Jul, 2022