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

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

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

本研究提出了一种使用自适应闸门图卷积网络病诊断的方法，基于脑功能连通性图结构和节点特征增强的卷积方法，实现了对阿尔茨海默病患者的较高精确度预测，并提供了说明预测的一致解释的可能，有助于进一步研究 AD 相关的大脑网络变化。

Apr, 2023

本文提出了一种受图卷积网络启发的机器学习模型，针对基于扩散磁共振图像的脑连接性进行分类。该模型通过并行地使用具有多个头的图形卷积机制对脑连接输入图进行处理，并使用不同的头涉及图卷积来捕获输入数据的表示，证明了在两个公开数据集上比现有的机器学习算法展现出更高的性能，包括经典方法和(图形和非图形)深度学习。

May, 2023

本研究提出了第一个对脑部功能连接轨迹进行嵌入的可解释框架，即脑部 TokenGT，该方法在神经变性疾病诊断和预后方面的表现优于所有其他基准模型，同时提供了出色的可解释性。

Jul, 2023

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

提出了一种动态双图融合卷积网络来提高阿尔茨海默病的诊断性能，该网络可以动态调整图结构以产生更好的诊断结果，并结合特征图和动态图学习来增加有用特征的权重并减少噪音特征的权重。实验证明该模型在阿尔茨海默病的诊断中具有灵活性和稳定性，并取得了优秀的分类结果。

Aug, 2023

阿尔茨海默病（AD）是认知能力逐渐下降的最常见的痴呆形式之一。本研究采用结构和功能性MRI探究了疾病引起的灰质和功能网络连接变化，并引入基因SNP作为第三个通道。我们提出了一种基于深度学习的分类框架，使用Cycle GAN生成模块来填补潜在空间中的缺失数据。通过整合梯度的可解释AI方法，提取了输入特征的相关性，增强了对学习表示的理解。实验结果表明，我们的模型能够在CN/AD分类中达到SOA，平均测试准确率为0.926±0.02。对于MCI任务，使用预训练模型进行CN/AD预测的平均准确率为0.711±0.01。解释性分析揭示了与AD相关的皮层和皮下脑区的重要灰质调节，并确定了感觉运动和视觉静息态网络连接的损伤以及与淀粉样蛋白和胆固醇形成和清除调控相关的生物过程的SNP突变作为性能的贡献因素。总体而言，我们的综合深度学习方法在AD检测和MCI预测方面显示出潜力，同时为重要的生物学洞察提供了新的见解。

Jun, 2024

本研究解决了阿尔茨海默病早期诊断难度大的问题，提出了一种新颖的方法，将离散小波变换与图论结合，以建模脑网络的动态行为。这种方法能够自动区分不同阶段的阿尔茨海默病，并识别受影响的脑区域和连接，为理解该疾病对脑功能的影响提供了更深刻的见解。

Sep, 2024