综述：关于图神经网络在脑疾病分析中应用的综述

图神经网络在九类脑疾病诊断中的应用综述，系统比较单模态与多模态框架的效能差异，分析数据不平衡、噪声干扰、动态建模等核心挑战，提出跨模态融合与可解释性增强的未来研究方向。

　　

杨洪|黄瑞文|叶珊珊|张鹏|郭玉怀|潘世瑞|张彦春

广州大学先进技术网络空间研究所，中国广州市外环西路230号，510006

摘要

图神经网络（GNNs）作为一种强大的工具，因能够将人脑建模为图结构、保留结构关系并捕捉复杂的生物相互作用而备受关注，从而在分析和理解脑疾病方面发挥了重要作用。本文全面回顾了基于GNN的脑疾病分析方法。首先，我们深入探讨了流行的GNN模型，强调了它们的优势及其在脑疾病分析中的应用过程。接着，我们分析了GNN在九种常见脑疾病（包括精神疾病、神经退行性疾病、神经发育障碍、癫痫和脑肿瘤）中的应用。对于每种疾病，我们将相关模型分为单模和多模框架，进行了比较分析，并强调了GNN处理非欧几里得数据以及捕捉脑网络中复杂时空相互作用的能力。最后，我们讨论了该领域面临的关键挑战，包括数据相关问题（如数据不平衡、噪声和稀缺性）、构建动态和自监督GNN模型的困难、多模数据融合的复杂性以及GNN模型的可解释性不足。最后，我们提出了潜在的研究方向以克服这些挑战，并为未来的进展提供了有价值的见解。

引言

统计预测表明，到2050年，受脑疾病影响的全球人口预计将达到49亿，这对全球健康、家庭、工作场所和医疗系统构成了重大挑战[1]。快速准确的脑疾病诊断对患者和社会整体都至关重要。然而，脑疾病的数据非常复杂且量庞大。即使对于经验丰富的医生来说，从大量数据中提取有用信息也是一个耗时且劳动密集的过程。例如，诊断精神疾病患者可能需要一种或多种检查方法，如磁共振成像（MRI）、功能性近红外光谱（fNIRS）、脑电图（EEG）、多导睡眠图（PSG），以及血液检测、基因分析和神经心理学评估。这些检查可能需要几分钟到几小时的时间，产生的数据量可达数十GB[2]。

尽管需要医生关注的数据和知识量不断增加，但由于人工智能（AI）及其子领域深度学习（DL）的进步，平均临床咨询时间有所减少，深度学习在提供描述性、预测性和规范性分析方面显示出巨大潜力[3],[4]。结合硬件性能的提升，这些进步加速了自动化诊断系统的发展，成为解决医疗资源限制的一个有前景的方案。这些系统能够快速处理大规模数据，为临床医生提供决策支持，促进多因素影响的全面分析，并有助于减少人为错误[5]。

为了诊断脑部疾病并更好地理解人脑的复杂结构，神经科学家通常将大脑建模为一个图结构系统，其中不同的脑区表示为节点，它们的功能关系表示为边[6]。受这一数据特性的启发，几何深度学习——特别是GNNs——已成为处理此类数据的有效方法。GNNs在学习过程中通过利用消息传递机制来聚合来自邻近节点的信息，并为单个节点和整个图学习有意义的表示，从而保留了图的拓扑结构。因此，GNNs在脑疾病诊断中得到了广泛应用，展示了处理非欧几里得数据和捕捉复杂生物系统内动态关系的强大能力[7]。已有几篇关于使用GNN进行网络神经科学和脑图学习的综述。例如，Grana等人[8]专注于基于EEG的诊断应用；张等人[9]专门研究神经退行性疾病的诊断；Bessadok等人[10]探讨了GNN在网络神经科学中的应用；Luo等人[11]系统地回顾了使用GNN的脑图学习。然而，现有的综述缺乏对各种类型脑疾病的详细覆盖，通常更多地关注精神疾病和神经退行性疾病。此外，这些文章没有比较使用单一或多模数据对每种疾病的诊断效果，使得未来的研究人员难以根据不同类型的疾病选择和比较不同的方法。

为填补这一空白，我们提供了关于使用GNN进行脑疾病分析的全面回顾。我们根据九种不同类型的疾病（包括神经退行性疾病、神经发育障碍、精神疾病和脑肿瘤）对GNN在脑数据分析中的应用进行了分类。对于每种疾病，我们详细介绍了GNN模型、它们处理单模或多模数据的能力，以及不同方法的比较分析。然后，我们指出了在应用GNN进行脑疾病诊断时面临的关键挑战和未解决的问题，包括数据相关问题（如数据不平衡、噪声或稀缺性）、建模疾病进展的难度、多模融合以及模型可解释性的限制。为了解决这些问题，我们提出了深入的分析和可行的研究建议。

本文的其余部分结构如下：第2节概述了GNN并介绍了最常用的基于图的DL模型用于疾病诊断；第3节描述了系统文献回顾的方法论，包括搜索策略、纳入/排除标准和疾病选择标准；第4节介绍了使用GNN诊断脑疾病的代表性方法，并按不同疾病分类；第5节分析了这些方法，生成了统计见解，比较了它们的性能，并强调了与其他脑相关应用和生物标志物识别相关的研究；第6节讨论了该领域的主要挑战，并提出了未来研究的方向。

节选

GNN定义

图被定义为 $$，其中节点表示为 $$，边表示为 $$。邻接矩阵 $$ 表示连通性（$$）。节点特征 $$ 捕捉属性（例如，脑区体积、临床指标）[10]。GNNs通过消息传递机制聚合节点特征 $$ 和邻居特征 $$ 来迭代更新节点表示 $$：$$ 是激活函数，$$ 是可学习的参数，AGG是排列不变的聚合器（例如，平均值、最大值）[12]。

搜索策略和研究选择

我们根据PRISMA 2020指南[37]进行了系统文献搜索。在2020年至2025年间，我们在四个电子数据库（PubMed/Medline、Web of Science、Scopus和IEEE Xplore）中搜索了相关研究。搜索策略结合了与图神经网络方法相关的术语以及描述神经成像模式和多种脑疾病的术语。例如，PubMed查询中包含了“图神经网络”、“GNN”等表达式。

结果

本文系统回顾了GNN在所有可能的脑疾病中的应用，包括精神疾病、神经退行性疾病、神经发育障碍、癫痫和脑肿瘤。相关模型被分为单模和多模框架，每种疾病都在两种范式下进行了研究，以实现全面分析。

表2总结了可用的公共数据集方法。样本大小表示受试者数量。“Perf.” 表示

讨论

本综述调查了使用GNN分析脑疾病的同行评审研究。如图4所示，研究分布显示出不同的学科重点：神经退行性疾病占研究的19.0%，其中阿尔茨海默病（AD）由于ADNI等标准化神经成像协议而受到主要关注。精神疾病占38.0%，其中抑郁症（DD）受益最多

数据噪声和不平衡

设备引起的干扰（如MRI运动伪影和CT束硬化伪影）以及记录错误（包括缺失的临床值和传感器噪声）会显著影响节点特征的提取和边关系的计算。这些扰动会通过图结构传播，扭曲拓扑表示并降低诊断模型的性能[23]。现有的去噪方法主要包括基于小波的技术和马尔可夫

结论

GNN在脑疾病诊断方面取得了显著进展并引起了广泛关注。本文对GNN在疾病诊断中的应用进行了全面而深入的回顾。首先介绍了GNN的基本概念，包括它们的定义和常见架构。接下来，我们详细阐述了它们在医学诊断中的应用框架，并讨论了多模数据融合策略。此外，我们系统地检验了GNN的实现

CRediT作者贡献声明

杨洪： 监督、资金获取。黄瑞文： 撰写——初稿。叶珊珊： 撰写——审阅与编辑。张鹏： 撰写——审阅与编辑、监督。郭玉怀： 撰写——审阅与编辑。潘世瑞： 撰写——审阅与编辑。张彦春： 项目管理。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本工作得到了中国国家自然科学基金（项目编号62376065）的支持。

杨洪 是广州大学的副教授。她毕业于澳大利亚悉尼科技大学（UTS），曾在悉尼大学工程学院担任访问学者，并在悉尼大学医学与健康学院担任高级博士后科学家。她的研究重点是图数据分析和医学图像处理。她在数据挖掘和人工智能领域的领先期刊和会议上发表了40多篇研究论文